首页 ꄲ 探梦系列 ꄲ 启智01开发者套件

启智01开发者套件

启智01是一款高性能的AI开发者套件，提供20 TOPS INT8的强大计算能力，专为高等教育机构、科研实验室打造，适用于人工智能、电子信息工程、计算机科学、生物信息学等多种学科和专业，配套立体化的课程体系和各类实验实训项目，覆盖从视觉识别到语音处理，从自然语言处理到LLM应用等多领域的AI核心内容。

ꄲ下一个：空间站实验实训系统

启梦系列

启智01开发者套件

随着AI赋能千行百业的加速落地，企业对既懂理论又会实践的AI人才需求激增。杰创科技作为华为银牌部件伙伴，与昇腾技术团队合作推出了基于昇腾310B处理器的启智01开发者套件，可有效解决高校在AI实践教学环节中遇到的诸多问题，通过融合前沿技术与实训场景，启智01提供全流程AI开发环境，让学生在校期间即可掌握企业级开发工具与实践技能，培养具备实战能力的人工智能人才。

一、产品概述

启智01是一款高性能的AI开发者套件，提供20 TOPS INT8的强大计算能力，专为高等教育机构、科研实验室打造，适用于人工智能、电子信息工程、计算机科学、生物信息学等多种学科和专业，配套立体化的课程体系和各类实验实训项目，覆盖从视觉识别到语音处理，从自然语言处理到LLM应用等多领域的AI核心内容。

启智01围绕"理论与实践并重"的教学理念展开，解决传统AI教学中"重理论轻应用"的痛点。套件采用业界领先的Visual Studio Code作为开发环境，结合Python编程语言，确保学生在学习过程中同步掌握企业级工程实践能力。通过丰富的硬件接口和完整的工具链，学生可无缝过渡到职场应用开发环境，显著提升就业竞争力。为了能让开发者快速使用套件，已提前将OS、NPU驱动固件、CANN、MindX SDK、代码样例烧录到SD卡中，可以做到开箱即用。

套件还具有如下特点：

1.昇腾技术全栈支持：提供从昇腾芯片，到CANN框架，再到开发工具的一体化支持，实现从模型推理到应用部署的全链路优化。

2.多框架开放生态：支持MindSpore、PyTorch、TensorFlow等多种主流深度学习框架，可满足DeepSeek等量化模型的推理需求。

3.跨领域多学科融合：包含计算机视觉、语音识别、NLP等多领域的实验实训项目，可满足工农医、文史哲、经管法等多学科的计算机通识课程需求。

4.实用场景导向：可用于无人机、工业产线、医疗健康、机器人等贴近实际应用的项目。

5.高性能硬件优化：基于昇腾310B芯片优化设计，实现高性能、低功耗的边缘计算能力，提供20路1080P 30FPS视频解码能力，满足复杂AI应用需求。

二、核心参数

序号	名称	说明
1	长宽高	145mm145mm37mm
2	AI算力	20 TOPS INT8
3	CPU	4 core*1.6 GHz
4	内存	LPDDR4X，12GB
5	操作系统	Ubuntu 22.04
6	主要接口	2RJ45 千兆网口 1USB3.0 Type-C 2USB3.0 Type-A 3USB2.0 Type-A 1个HDMI

三、实验方案

名称	内容
实验1 目标检测	使用深度学习技术进行目标检测，确定图像中某些目标的位置并对其进行分类，通常以边界框的形式表示，并评估目标检测模型的效果。使用的框架是PyTorch。
实验2 OCR识别	选择适合OCR任务的公开数据集和模型，进行模型训练。通过字符识别准确率、词语识别准确率等指标评估模型性能。将训练好的模型转换成OM格式部署到实验套件中进行图片识别。使用的框架是TensorFlow。
实验3 图像分类	选择适合图像分类任务的公开数据集和模型，并对图像进行归一化、数据标注、增强和裁剪等操作，然后进行模型训练。通过分类准确率、混淆矩阵等指标评估模型性能。将训练好的模型转换成OM格式部署到实验套件中进行图片分类。使用的框架是Caffe。
实验4 图像增强	学习基本的图像增强操作，使用模型将曝光不足的图像进行增强。在特定的图像数据集上应用图像增强技术，观察其对图像质量和后续任务的影响。使用模型在实验套件中进行图片增强。使用的图像处理工具是：OpenCV。
实验5 图片卡通化	使用简单的图像处理方法（如双边滤波、边缘增强）实现基本的卡通效果，并使用cartoonGAN模型对输入图片进行卡通化处理。使用模型在实验套件中进行图片卡通化处理。使用的图像处理工具是：OpenCV。
实验6 蛋白质分类	收集和预处理蛋白质序列或结构数据，并从这些数据中提取相关的特征。使用深度学习模型进行蛋白质分类。使用模型在实验套件中对蛋白质图片进行自动分类。使用的图像处理工具是：OpenCV。
实验7 细胞分割	选择适当的未标注的生物细胞图像作为输入，进行噪声去除、增强对比度等操作。使用深度学习模型对细胞核进行分割。使用模型在实验套件中对细胞核图片进行分割，并展示分割前后的图像，高亮显示细胞核区域。使用的图像处理工具是：OpenCV。
实验8 人像分割	选择不同背景、光线、姿势的人像图片，并利用已有的数据集训练PortraitNet模型，然后在实验数据上进行测试。使用分割得到的人像蒙版，将原背景替换为新的背景。使用模型在实验套件中对人像图片进行分割并替换背景。通过可视化分割结果和对比原图，评估分割和背景替换的效果。使用的图像处理工具是：OpenCV。使用的框架是：TensorFlow。
实验9 语音识别	选择不同类型、背景和质量的语音样本，并利用公开的数据集训练WeNet模型，然后在实验数据上进行测试。使用模型在实验套件中对音频文件进行识别并输出。使用的框架是：Torch。使用的语音处理库是：torchaudio、librosa。
实验10 语音助手	利用百度语音识别API，构建语音输入接口，接收用户语音输入并进行识别，并调用百度语音识别API，将接收到的语音进行识别，获取识别结果。设计一个简单的用户界面或控制台，将识别的文本结果输出展示。测试语音助手在不同语音输入场景下的识别准确性和响应速度。使用的语音处理库是：pyaudio。
实验11 人脸识别	下载包含人脸的图像数据集，用于模型训练和测试。使用OpenCV和Dlib库提供的函数进行人脸检测，标记出图像中的人脸区域，并使用Dlib库的人脸识别模型提取人脸图像的特征向量。将提取的人脸特征与已知人脸特征进行比较，实现人脸识别和匹配。使用的图像处理工具是：OpenCV。使用的C++库是：dlib。
实验12 安全帽识别	收集带有安全帽和不带安全帽的图像数据集，并使用预训练的模型（如ResNet、MobileNet等）进行迁移学习使用测试集进行最终模型的性能测试，以确保泛化能力良好，并根据分析结果，可以尝试改进模型，调整数据集或重新训练模型在识别出未佩戴安全帽的情况下，触发警报或采取必要的安全措施使用的框架是：ACL 使用的图像处理工具是：OpenCV。
实验13 自然语言处理	使用百度AI平台的API实现文本纠错功能，输入文本，输出纠错后的文本和置信度分数。编写主函数演示文本纠错功能。使用的库是：requests、json。
实验14 行人属性识别	收集包含不同行人的图像数据集，并选择mobilenetv3模型用于行人属性分类的网络架构。使用验证数据集评估模型的性能，包括准确率和其他相关指标。使用测试数据集对训练好的模型进行测试和推断，识别行人的属性。使用的图像处理工具是：OpenCV。使用的框架是：ACL。