Merge pull request #456 from wu-yue-yu/main

update 8_application.md

docs/hardware/zh/lichee/th1520/lpi4a/8_application.md

@@ -23,6 +23,153 @@ llama 是 META 开源的大语言模型，[llama.cpp](https://github.com/ggergan
 
 ![llama_d1](./assets/application/llama_d1.png)  
 
+## YOLOX 目标检测
+
+本教程是一个如何在 LPi4A（LicheePi 4A） 开发板平台上部署 [YOLOX](https://github.com/Megvii-BaseDetection/YOLOX) 模型完成目标检测的示例。
+教程中包括了：
+- 在 LPi4A 开发版上安装 Python 环境
+- 使用 YOLOX 项目中的源码执行模型
+
+教程遵循通常的模型部署流程：
+1. LPi4A 上的基础 Python 环境配置
+2. 获取 yolox 源码和模型
+3. 安装 yolox 所依赖的 python 包
+4. LPi4A 上的使用 HHB-onnxruntime 执行示例
+
+**基础 Python 环境配置**
+**基本软硬件配置**
+参考 LPi4A 的 《[开箱体验](https://wiki.sipeed.com/hardware/zh/lichee/th1520/lpi4a/2_unbox.html)》中的描述，正确安装好开发板，上电启动后以 root 权限进入。
+确保已联网的状态下，更新 apt 源
+```bash
+sudo apt update
+```
+
+安装一些软件，用于示例中后续使用
+```bash
+sudo apt install wget git vim
+```
+
+安装 SHL 库
+```bash
+wget https://github.com/T-head-Semi/csi-nn2/releases/download/v2.4-beta.1/c920.tar.gz
+tar xf c920.tar.gz
+cp c920/lib/* /usr/lib/riscv64-linux-gnu/ -rf
+```
+
+
+**Python 环境配置**
+LPi4A 烧录的系统中已默认安装 python 3.11 版本。可以使用如下命令确认
+```bash
+python --version
+```
+
+后续均以 python3.11 版本为例，其他版本在安装依赖时需要修改到对应版本的命令。
+各种 python 程序软件依赖的软件包大多可通过 pip 安装，可以使用如下命令安装 pip
+```bash
+apt install python3-pip
+```
+
+安装其他python包之前，先安装 venv 包，用于创建python虚拟环境
+```bash
+apt install python3.11-venv
+```
+
+创建 python虚拟环境，并激活
+```bash
+cd /root
+python3 -m venv ort
+source /root/ort/bin/activate
+```
+
+
+至此，基本 python 环境已经创建完成，与其他体系结构类似，可以直接通过 pip install 安装纯 python 包。
+
+opencv 安装是会依赖其他 python 包，如果 pip 不能自动下载，则可以先手动安装依赖项的安装包。如何获取安装包可以参考 [下载 riscv whl](https://www.yuque.com/za4k4z/uzn618/zsp0krgg9dlp0fhx)。
+**获取 YOLOX 模型**
+[YOLOX](https://github.com/Megvii-BaseDetection/YOLOX) 是一个类 YOLO 的目标检测模型，有相当优异的性能表现。
+可以直接下载 github 上的源码和模型
+```bash
+git clone https://github.com/Megvii-BaseDetection/YOLOX.git
+cd YOLOX/demo/ONNXRuntime
+wget https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx
+```
+
+**修改源码**
+本教程将使用 HHB-onnxruntime 执行模型，因此切换到。在源码中的 onnxruntime 示例目录，修改文件 demo/ONNXRuntime/onnx_inference.py 的开头新增两行代码
+```bash
+#!/usr/bin/env python3
+# Copyright (c) Megvii, Inc. and its affiliates.
+
++import sys
++sys.path.insert(0, "../../")
++
+import argparse
+import os
+```
+
+
+代码中使用 sys.path.insert 指定搜索路径，以此免去从源码中安装 YOLOX 的安装包的操作。
+**安装依赖包**
+RISC-V 体系结构的 python 生态还有欠缺，未来完善之后，YOLOX 中依赖的包可以通过 [requirements.txt](https://github.com/Megvii-BaseDetection/YOLOX/blob/main/requirements.txt) 文件直接安装。
+本教程中的 YOLOX 示例依赖了较多的 python 包，下载预编译好的 python 包
+```bash
+git clone -b python3.11 https://github.com/zhangwm-pt/prebuilt_whl.git
+cd prebuilt_whl
+```
+
+可以按照以下顺序，手工处理。
+```bash
+pip install numpy-1.25.0-cp311-cp311-linux_riscv64.whl
+pip install opencv_python-4.5.4+4cd224d-cp311-cp311-linux_riscv64.whl
+pip install kiwisolver-1.4.4-cp311-cp311-linux_riscv64.whl
+pip install Pillow-9.5.0-cp311-cp311-linux_riscv64.whl
+pip install matplotlib-3.7.2.dev0+gb3bd929cf0.d20230630-cp311-cp311-linux_riscv64.whl
+pip install pycocotools-2.0.6-cp311-cp311-linux_riscv64.whl
+pip3 install loguru-0.7.0-py3-none-any.whl
+pip3 install torch-2.0.0a0+gitc263bd4-cp311-cp311-linux_riscv64.whl
+pip3 install MarkupSafe-2.1.3-cp311-cp311-linux_riscv64.whl
+pip3 install torchvision-0.15.1a0-cp311-cp311-linux_riscv64.whl
+pip3 install psutil-5.9.5-cp311-abi3-linux_riscv64.whl
+pip3 install tqdm-4.65.0-py3-none-any.whl
+pip3 install tabulate-0.9.0-py3-none-any.whl
+```
+
+安装过程中会涉及到其他纯 python 依赖包，pip 会自动从官方源下载。
+**安装 HHB-onnxruntime**
+HHB-onnxuruntime 是移植了 SHL 后端（execution providers），让 onnxruntime 能复用到 SHL 中针对玄铁 CPU 的高性能优化代码。
+
+```bash
+wget https://github.com/zhangwm-pt/onnxruntime/releases/download/riscv_whl/onnxruntime-1.14.1-cp311-cp311-linux_riscv64.whl
+pip install onnxruntime-1.14.1-cp311-cp311-linux_riscv64.whl
+```
+
+**执行**
+在示例目录中执行 onnx_inference.py 示例
+
+```bash
+python3 onnx_inference.py -m yolox_s.onnx -i soccer.jpg -o outdir -s 0.3 --input_shape 640,640
+```
+
+`python3 onnx_inference.py -m yolox_s.onnx -i soccer.jpg -o outdir -s 0.3 --input_shape640,640`
+参数说明：
+- -m：指定模型
+- -i：指定图片
+- -o：指定输出目录
+- -s：指定检测的阈值
+- --input_shape：指定检测时使用的图片尺寸
+
+**参考结果**
+
+本教程中输入如下图，是运动员踢足球的图片，预期的检测结果是检测到两个人和一个足球。
+
+> 图片来源于网络
+
+![yolox_detection_soccer_input.jpg](./assets/application/yolox_detection_soccer_input.jpg)
+
+示例正常执行后，会在 outdir 目录下生成结果图片 soccer.jpg。图片中会用框画出检测到的目标，并标注概率，效果如下图：
+
+![yolox_detection_soccer_output.jpg](./assets/application/yolox_detection_soccer_output.jpg)
+
 ## Minecraft Server
 
 TODO