2. Kria硬件平台与开发环境搭建

Kria SOM（System-on-Module）是AMD面向边缘AI与嵌入式视觉推出的核心板形态，它把Zynq UltraScale+ MPSoC、DDR4内存、eMMC、QSPI Flash、电源管理、时钟与以太网PHY等关键资源集成在一块邮票孔/连接器模块上，再通过载板（Carrier Card）扩展出具体的外设接口。理解KV260与KR260的差异，是后续部署Vitis AI模型、加载DPU固件、选择启动介质与配置开发主机的前提。

KV260与KR260：定位与资源差异

KV260（Kria Vision AI Starter Kit）面向视觉AI入门与原型验证，核心器件通常为K26 SOM，搭载Zynq UltraScale+ MPSoC，包含四核ARM Cortex-A53应用处理器、双核Cortex-R5实时处理器、Mali-400 GPU以及可编程逻辑（PL）。其载板提供HDMI输入/输出、MIPI CSI摄像头接口、千兆以太网、USB 3.0、microSD、DisplayPort等，适合智能相机、视频分析、缺陷检测等场景。KR260（Kria Robotics Starter Kit）则面向机器人与工业控制，核心为K26 SOM，载板强调实时工业以太网（如EtherCAT、PROFINET）、CAN、RS-485、Pmod、Raspberry Pi兼容接口以及多路GPIO，更适合运动控制、传感器融合与低延迟闭环控制。

两者共享同一SOM架构，因此DPU固件、Vitis AI运行时、PetaLinux BSP在软件层面高度相通；差异主要体现在载板外设、默认设备树与参考设计上。选择平台时，若任务以视频流推理为主，优先KV260；若需要实时总线与多轴控制，优先KR260。

启动方式：Ubuntu与PetaLinux的选择

Kria SOM支持从microSD、QSPI Flash或eMMC启动。开发阶段最常用的是microSD启动，因为它便于反复烧写与替换镜像。AMD官方为Kria提供两类主流镜像：Ubuntu桌面/服务器镜像与PetaLinux BSP镜像。Ubuntu镜像适合快速验证Vitis AI运行时、Python推理脚本与DPU固件加载；PetaLinux则更适合需要深度定制设备树、裁剪根文件系统或集成自定义PL逻辑的工程。

以KV260为例，制作启动卡的典型流程是：从AMD官网下载对应版本的Ubuntu镜像（如22.04 LTS for Kria），使用Balena Etcher或dd写入microSD；将卡插入SOM，连接USB-UART（通常为/dev/ttyUSB0或/dev/ttyUSB1，波特率115200）、网线与电源；上电后通过串口或HDMI观察启动日志。首次启动会自动扩展根分区并重启，随后可用默认账号ubuntu登录。若使用PetaLinux，则需先安装PetaLinux工具链，通过petalinux-config --get-hw-description导入XSA，再petalinux-build生成BOOT.BIN与image.ub，最后打包为WIC镜像写入SD卡。

Vitis AI运行时与DPU固件加载

Vitis AI运行时（VART）是主机与DPU之间的软件桥梁，负责模型加载、张量调度与硬件加速调用。在Kria上，DPU以PL中的IP核形式存在，需要对应的DPU固件（.xclbin或.bit+.hwh）与设备树覆盖（dtbo）配合。典型安装步骤包括：更新APT源，安装vitis-ai-runtime与xrt相关包；将DPU固件与shell.json放入/lib/firmware/xilinx/目录；使用xmutil listapps查看可用加速器，xmutil loadapp kv260-dpu-benchmark加载对应固件。加载成功后，/dev/dri/renderD128等设备节点会出现，xrt信息中可看到DPU IP。

sudo apt update
sudo apt install -y vitis-ai-runtime xrt
sudo xmutil listapps
sudo xmutil loadapp kv260-dpu-benchmark
xrt-smi examine

若xmutil loadapp报错，常见原因是固件版本与BSP不匹配、dtbo未正确放置或PL时钟未使能。此时应核对/lib/firmware/xilinx/下的目录结构，确认shell.json中device与platform字段与当前SOM一致，并检查dmesg中是否有fpga_manager或zynqmp-fpga相关错误。

开发主机环境配置

开发主机通常使用Ubuntu 20.04/22.04，需安装Vitis AI Docker镜像或本地工具链。推荐使用Docker方式，避免依赖冲突。主机侧需要：安装Docker与nvidia-container-toolkit（若使用GPU加速量化）；拉取xilinx/vitis-ai-pytorch或xilinx/vitis-ai-tensorflow2镜像；将模型、校准数据集与脚本挂载到容器内；使用vai_q_pytorch或vai_q_tensorflow2完成量化，再用vai_c_xir编译为DPU可执行的.xmodel。主机与Kria之间通过SSH或SCP传输.xmodel与测试图片，在Kria上运行python3 resnet50.py等示例验证推理结果。

网络配置方面，建议将Kria与主机置于同一网段，Kria默认通过DHCP获取IP，可用ip a查看；若需固定IP，可修改/etc/netplan/下的YAML文件并执行sudo netplan apply。主机侧可用ssh ubuntu@<kria-ip>登录，默认密码为ubuntu，首次登录会强制修改。

环境验证与常见问题

完成上述步骤后，可通过以下方式确认环境就绪：串口能正常登录；xmutil listapps列出DPU应用；xrt-smi examine显示DPU设备；运行Vitis AI示例（如resnet50）能输出分类结果与推理耗时。若推理耗时明显偏高，检查DPU时钟频率与PL供电；若模型加载失败，检查.xmodel是否由匹配版本的vai_c_xir编译生成。

整体而言，Kria平台的环境搭建可以概括为“选镜像—写启动卡—配串口与网络—装VART—载DPU固件—主机量化编译—传输验证”这一条主线。KV260与KR260在SOM层面一致，差异集中在载板外设与参考设计，因此掌握其中一款后，迁移到另一款主要工作是替换BSP与设备树覆盖，并重新确认接口映射。