📚 课程目录第2章环境搭建

2、环境搭建：掌握BM1684开发板的硬件组成、操作系统安装、SDK部署以及交叉编译环境的配置方法

BM1684是算能科技推出的第三代AI计算芯片，专注于边缘视频分析场景，集成16核ARM Cortex-A53处理器和TPU（Tensor Processing Unit）计算引擎，算力高达17.6 TOPS（INT8）。在多路摄像头检测和告警联动项目中，环境搭建是后续算法开发、模型部署和系统调试的基础。本章围绕BM1684开发板的硬件组成、操作系统安装、SDK部署和交叉编译环境配置四个核心环节展开，帮助学员建立完整的开发环境认知，并掌握从裸机到可运行AI推理程序的完整链路搭建方法。

2.1 BM1684开发板硬件组成与核心模块

BM1684开发板采用核心板+底板的分体式设计，核心板集成SoC、内存和存储，底板提供丰富的对外接口。从视频分析项目的角度，需要重点关注以下硬件模块：

计算核心：BM1684 SoC集成16核ARM Cortex-A53处理器（最高1.8GHz）和TPU引擎，TPU支持INT8/FP32/FP16混合精度计算，峰值算力17.6 TOPS（INT8）。在视频分析场景中，TPU负责神经网络推理，ARM核负责视频解码、图像预处理和业务逻辑。
内存与存储：板载DDR4内存（8GB/16GB可选），带宽达51.2GB/s，满足多路视频帧缓冲需求。存储方面，eMMC 32GB用于存放操作系统和SDK，NVMe SSD接口可扩展大容量存储，用于保存视频片段和日志。
视频输入接口：支持4路MIPI-CSI摄像头输入和HDMI/DP视频输入，通过PCIe可扩展视频采集卡。对于多路摄像头场景，通常采用RTSP网络摄像头，通过双千兆以太网口接入。
网络接口：双千兆以太网口（RJ45），支持网口绑定（bonding）提升带宽，或分别连接摄像头网段和业务网段。
调试接口：UART串口（3.3V TTL电平，默认波特率115200）、JTAG接口、USB 3.0 Type-C（用于烧录和ADB调试）。

  硬件选型建议：对于8路1080p@25fps视频分析项目，建议选择16GB内存版本，并配置NVMe SSD（至少512GB）用于存储告警截图和视频片段。网络方面，若摄像头数量超过8路，建议使用千兆交换机汇聚后再接入开发板，避免单网口带宽瓶颈。

2.2 操作系统安装与启动配置

BM1684开发板支持从eMMC、SD卡和NVMe SSD三种介质启动操作系统。官方提供基于Ubuntu 20.04的定制镜像，已预装必要的内核模块和驱动。安装流程如下：

获取镜像：从算能科技官网下载BM1684开发板专用Ubuntu 20.04镜像（文件名通常为BM1684_Ubuntu20.04_xxx.img），同时下载烧录工具balenaEtcher（跨平台）或Win32DiskImager（Windows）。
烧录eMMC：使用USB Type-C线连接开发板与PC，开发板进入烧录模式（按住BOOT键再上电），使用烧录工具将镜像写入eMMC。烧录完成后，断开USB，重新上电启动。
首次启动配置：通过串口（连接UART调试口，使用USB转串口模块，参数115200-8-N-1）或HDMI连接显示器，进入系统后执行sudo passwd root设置root密码，并配置网络：

# 配置静态IP（示例）
sudo vi /etc/netplan/01-netcfg.yaml
# 内容示例
network:
  version: 2
  ethernets:
    eth0:
      dhcp4: no
      addresses: [192.168.1.100/24]
      gateway4: 192.168.1.1
      nameservers:
        addresses: [8.8.8.8, 114.114.114.114]
sudo netplan apply

注意事项：烧录eMMC会覆盖原有系统，操作前务必确认已备份数据。若开发板无法从eMMC启动，可尝试从SD卡启动：将镜像烧录至SD卡（≥16GB），插入卡槽后上电，系统会优先从SD卡启动。部分批次开发板需要修改启动拨码开关。

2.3 SDK部署与依赖组件安装

BM1684的SDK包含模型转换工具链、推理运行时和算法库三大类组件。部署SDK前，先确认系统依赖已安装：

# 安装基础依赖
sudo apt update
sudo apt install -y build-essential cmake git python3-pip \
  libopencv-dev libssl-dev libsqlite3-dev \
  libgflags-dev libgoogle-glog-dev libboost-all-dev \
  ffmpeg libavcodec-dev libavformat-dev libavutil-dev \
  libswscale-dev libavdevice-dev

# 安装Python依赖
pip3 install numpy opencv-python pillow

SDK部署的核心步骤包括：

tpu-mlir：模型转换工具链，用于将PyTorch/TensorFlow/ONNX模型转换为BM1684可执行的bmodel格式。安装时需设置环境变量TPU_MLIR_PATH和PATH。
sophon-sail：推理SDK，提供Python和C++两套API。Python版本通过pip安装，C++版本需编译安装。安装后需设置LD_LIBRARY_PATH指向sophon-sail的lib目录。
bmcv/bmrt：底层图像处理和运行时库，随SDK一并提供，通常位于/opt/sophon/libsophon-xxx/lib目录。
ffmpeg组件：用于RTSP拉流和视频解码，SDK中已包含针对BM1684优化的ffmpeg版本，支持硬件解码（VPU）。

环境变量配置示例：将以下内容添加到~/.bashrc中，实现SDK环境自动加载。

export PATH=/opt/sophon/tpu-mlir/bin:$PATH
export TPU_MLIR_PATH=/opt/sophon/tpu-mlir
export LD_LIBRARY_PATH=/opt/sophon/libsophon-current/lib:$LD_LIBRARY_PATH
export PYTHONPATH=/opt/sophon/sophon-sail/python:$PYTHONPATH

2.4 交叉编译环境配置与验证

由于BM1684的ARM架构与开发PC的x86架构不同，需要在x86宿主机上配置交叉编译工具链，编译ARM可执行程序。推荐使用官方提供的gcc-linaro-7.5.0-aarch64-linux-gnu工具链，配置步骤如下：

下载工具链：从算能官网或Linaro官网下载gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz，解压至/opt目录。
设置环境变量：在宿主机~/.bashrc中添加：

export CROSS_COMPILE=/opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin/aarch64-linux-gnu-
export CC=${CROSS_COMPILE}gcc
export CXX=${CROSS_COMPILE}g++
export LD=${CROSS_COMPILE}ld
export AR=${CROSS_COMPILE}ar
export RANLIB=${CROSS_COMPILE}ranlib
export STRIP=${CROSS_COMPILE}strip

配置CMake交叉编译链：创建toolchain.cmake文件，内容如下：

set(CMAKE_SYSTEM_NAME Linux)
set(CMAKE_SYSTEM_PROCESSOR aarch64)
set(CMAKE_C_COMPILER /opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin/aarch64-linux-gnu-gcc)
set(CMAKE_CXX_COMPILER /opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin/aarch64-linux-gnu-g++)
set(CMAKE_FIND_ROOT_PATH /opt/sophon/libsophon-current)
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

编译测试程序：编写简单的Hello World程序，使用交叉编译工具链编译，并通过scp拷贝至开发板运行，验证环境正确性。

2.5 实战案例：从零搭建8路摄像头分析环境

本案例以某园区安防项目为背景，需要在BM1684开发板上部署8路1080p摄像头的人形检测和告警联动系统。项目初期面临环境搭建的多个挑战：开发板系统版本不一致、SDK依赖冲突、交叉编译程序无法运行等。

初始状态与目标：开发板为全新出厂状态，需完成从硬件检查到可运行AI推理demo的全流程。目标是在4小时内完成环境搭建，并跑通官方提供的yolov5s人形检测demo。

关键操作步骤：

硬件检查：上电前检查电源适配器（12V/3A）、串口连接、网线连接。上电后通过串口观察启动日志，确认内核版本为4.9，内存识别正常。
系统安装：使用balenaEtcher将官方镜像烧录至eMMC，首次启动后配置静态IP为192.168.1.100，并测试与PC的连通性。
SDK部署：安装基础依赖时遇到OpenCV版本冲突（系统自带4.2，SDK需要4.1），通过pip3 install opencv-python==4.1.2.30解决。部署tpu-mlir时，发现Python版本需3.6-3.8，系统自带3.8，满足要求。
交叉编译验证：在宿主机编译官方提供的yolov5s_demo，使用CMake工具链文件，编译过程中遇到缺少libbmrt.so链接错误，通过设置CMAKE_FIND_ROOT_PATH指向SDK安装目录解决。
运行验证：将编译好的可执行文件和bmodel模型拷贝至开发板，执行./yolov5s_demo --input test.jpg，成功输出检测结果，耗时约15ms/帧。

结果与复盘：整个环境搭建耗时3.5小时，主要时间消耗在SDK依赖冲突排查和交叉编译链接配置上。经验总结：

SDK版本与系统镜像版本必须严格匹配，建议使用官方推荐组合。
交叉编译时，务必确认CMAKE_FIND_ROOT_PATH指向开发板SDK的sysroot目录，否则会链接到宿主机x86库。
建议在宿主机上编写自动化部署脚本（如deploy.sh），一键完成编译、打包、上传和远程执行，减少重复操作。

2.6 常见误区与总结复盘

常见误区	问题描述	正确做法
SDK版本混用	将不同版本的tpu-mlir和sophon-sail混合使用，导致模型转换失败或推理报错	统一使用官方发布的同一版本SDK包，记录版本号便于回溯
交叉编译链接错误	编译时链接到宿主机x86库，导致程序在开发板上无法运行	使用CMake工具链文件，设置`CMAKE_FIND_ROOT_PATH`指向目标SDK目录
忽略硬件解码	使用CPU软解8路视频，导致CPU占用率过高，推理延迟增大	使用SDK提供的ffmpeg硬件解码接口，将解码任务卸载到VPU
环境变量遗漏	重启后SDK命令找不到，动态库加载失败	将环境变量写入`~/.bashrc`或`/etc/profile.d/`，确保开机自动加载

风险提示：开发板eMMC烧录次数有限（约10万次），频繁烧录会缩短寿命。建议日常开发使用SD卡启动，仅在正式部署时烧录eMMC。同时，交叉编译环境应使用独立目录，避免与宿主机系统环境混淆。

环境搭建是BM1684视频分析项目的基石，硬件组成决定了系统能力边界，操作系统安装提供了运行基础，SDK部署赋予开发能力，交叉编译环境打通了开发与部署的链路。掌握本章内容后，学员应能独立完成开发板的上电调试、系统安装、SDK配置和交叉编译验证，为后续多路视频采集、AI推理和告警联动开发奠定坚实基础。建议学员在实操中记录每一步的日志和输出，形成自己的环境搭建checklist，提高部署效率。