搭建卷积神经网络并利用FPGA加速实现交通标志识别（源码+项目说明）.zip

# Traffic Signs Recognition Based on PYNQ-Z2 ## 在PYNQ开发板上搭建卷积神经网络实现交通标志识别 本项目为2020年新工科联盟-Xilinx暑期学校（Summer School）项目 ### 项目简介 项目主要实现方式为在ZYNQ的PL端部署了基于HLS开发的卷积加速器和池化加速器，再在PS端利用Python编程实现对加速器的调用，完成交通标志的识别。模型在Tensorflow下采用德国交通标志数据集（GTSRB）进行训练，最终精度达到97%。 ### 文件目录 1. HLS： 包含了卷积加速器和池化加速器的的C语言代码。因为全连接层可以看作一种特殊卷积层并借助卷积加速器进行加速，因此未包含单独的全连接层加速器。 2. Train： 包含了训练所用的Python代码和最终模型的参数文件。所采用的数据集链接为：http://benchmark.ini.rub.de/?section=gtsrb&subsection=dataset 。 3. jupyter_notebooks: 此文件夹内包含上传到PYNQ开发板上的Python代码文件和模型参数bin文件等。文件上传到开发板后可以在Jupyter Notebook中运行‘Traffic-Signs-Recognition.ipynb’文件进行测试，也可以直接运行‘Traffic-signs-recognition.py’进行测试。 ### 运行环境 * 开发板： PYNQ-Z2 （ZYNQ XC7Z020-1CLG400C） * 固件版本： V2.5 * Vivado版本： 2018.3 * Vivado HLS版本： 2018.3 * TensorFlow版本； 1.14 * 训练环境： macOS 10.15.6 ### 性能参数 * 识别种类： 43种 * 识别精度： 97% （在GTSRB下） * 识别速度： 0.5s左右 （速度异常，还需改进）