deepin 25 跑在瑞莎开发板上：从展台到你的桌面

# 下载 Rock 5B 最小镜像与 deepin 25 rootfs
wget https://github.com/radxa-rock/rock5b-releases/releases/latest/rock-5b-debian.img.xz
wget https://github.com/deepin-community/deepin-riscv-arm/releases/latest/deepin-25-arm64-rootfs.tar.gz

# 解压并写入 SD 卡（假设 SD 卡为 /dev/sdX，请用 lsblk 确认）
xz -d rock-5b-debian.img.xz
sudo dd if=rock-5b-debian.img of=/dev/sdX bs=4M status=progress
sync

# 挂载 rootfs 分区并替换为 deepin
sudo mkdir -p /mnt/sd-root
sudo mount /dev/sdX2 /mnt/sd-root  # 第二分区通常是 rootfs
sudo rm -rf /mnt/sd-root/*
sudo tar -xpf deepin-25-arm64-rootfs.tar.gz -C /mnt/sd-root

# 保留瑞莎内核与设备树（关键！不要删 /lib/modules）
# 确认内核版本匹配
ls /mnt/sd-root/lib/modules/

# 修复 fstab 与 boot 配置
sudo chroot /mnt/sd-root /bin/bash -c \
  "echo '/dev/mmcblk1p2  /  ext4  defaults  0  1' > /etc/fstab"

sudo umount /mnt/sd-root

# 通过串口或 SSH 登录后，先更新系统并安装开发工具
sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential python3-dev python3-pip git cmake

# 安装 Python AI 推理依赖（CPU 侧先验证，NPU 后续接入）
pip3 install --break-system-packages onnxruntime numpy pillow

#!/usr/bin/env python3
"""Rock 5B + deepin 25 上的 ONNX CPU 推理验证脚本"""

import numpy as np
import onnxruntime as ort
from PIL import Image
import urllib.request
import json

# 下载 MobileNet V2 ONNX 模型（约 14MB）
MODEL_URL = "https://github.com/onnx/models/raw/main/validated/vision/classification/mobilenet/model/mobilenetv2-12.onnx"
MODEL_PATH = "mobilenetv2-12.onnx"
urllib.request.urlretrieve(MODEL_URL, MODEL_PATH)
print(f"模型已下载: {MODEL_PATH}")

# 下载 ImageNet 1000 类标签
LABELS_URL = "https://raw.githubusercontent.com/onnx/models/main/validated/vision/classification/mobilenet/model/labels.json"
LABELS_PATH = "labels.json"
urllib.request.urlretrieve(LABELS_URL, LABELS_PATH)
with open(LABELS_PATH) as f:
    labels = json.load(f)

# 加载测试图片（用 ONNX 官方示例猫图）
IMG_URL = "https://raw.githubusercontent.com/onnx/models/main/validated/vision/classification/mobilenet/model/cat.png"
IMG_PATH = "test_cat.png"
urllib.request.urlretrieve(IMG_URL, IMG_PATH)

# 预处理：resize → 224x224，归一化到 [0,1]，NCHW 格式
img = Image.open(IMG_PATH).resize((224, 224))
img_array = np.array(img, dtype=np.float32).transpose(2, 0, 1)  # HWC → CHW
img_array = img_array / 255.0
img_array = np.expand_dims(img_array, axis=0)  # 增加 batch 维度

# 创建 ONNX Runtime 会话（CPU 模式）
session = ort.InferenceSession(MODEL_PATH, providers=["CPUExecutionProvider"])
input_name = session.get_inputs()[0].name

# 推理
outputs = session.run(None, {input_name: img_array})
pred = np.argmax(outputs[0])

print(f"推理完成，预测类别索引: {pred}")
print(f"预测类别名称: {labels[pred]}")
print(f"Top-5 概率分布: {np.argsort(outputs[0][0])[-5:][::-1]}")