MemryX現已支持瑞薩RZ/G3E平台的Yocto BSP
，為開發者提供了在邊緣側部署高性能、低功耗AI應用的簡化路徑。
本文最初發布於MemryX官方網站，經MemryX授權轉載。
本文提供了完整軟體搭建流程的實用概述，包括BSP配置、MemryX Yocto層的集成、交叉編譯、部署，以及在MemryX硬體上運行加速電腦視覺應用的全過程。
關於詳細的搭建說明和源代碼，請訪問MemryX官方GitHub頁面上的項目倉庫。
驗證配置
本指南中描述的步驟已通過以下硬體和軟體配置進行驗證。
配套的GitHub倉庫包含用於構建該驗證配置所使用的完整Yocto層修改內容和配方文件。
前提條件
在開始構建過程之前，請確保你的開發環境滿足以下要求：
一台Linux開發工作站（推薦使用Ubuntu 24.04），並安裝了標準的Yocto Project主機依賴項。
約200GB的可用磁盤空間，用於完整的BSP構建。
已配置好的Git環境（git config --global user.name 和 git config --global user.email），以確保在開發過程中更新檔能夠正確應用。
一個已註冊的MyRenesas帳戶，用於下載所需的瑞薩圖形和多媒體軟體包。
與BSP v1.0.0對應的瑞薩專有圖形和影片編解碼軟體包。
初次構建期間的網際網路連接，用於下載Yocto源碼包和倉庫。
滿足以上前提條件後，即可按照下述步驟配置和構建BSP。
環境搭建
針對瑞薩RZ/G3E的MemryX集成通過memx-yocto-renesas倉庫提供，該倉庫包含了MX3 PCIe核心驅動和MemryX運行時庫所對應的Yocto集成層。
該構建環境以標準的瑞薩RZ/G3E Yocto BSP搭建為基礎。下載並初始化瑞薩BSP後，可以使用bitbake-layers將MemryX層添加到構建配置中。
該倉庫目前包含兩個主要層：
meta-mx3-driver，用於構建MX3 M.2 PCIe核心模組
meta-memx-runtime，用於構建MemryX運行時庫和基準測試工具
初始化BSP環境之後，即可添加MemryX層：
然後可以配置目標鏡像，納入MemryX軟體包以及加速影片推理工作流所需的多媒體技術棧組件。
構建BSP鏡像
該平台使用Yocto和BitBake，按照瑞薩標準工作流程進行構建。對於開發和評估而言，推薦的鏡像目標是core-image-weston，它提供了示例應用所需的Wayland顯示和影片編解碼支持。
可以使用以下方式構建BSP鏡像：
構建完成後，生成的鏡像文件可以在以下位置找到：
隨後可將這些文件燒錄到microSD卡中，用於在瑞薩RZ/G3E平台上啟動。
生成交叉編譯SDK
除了目標鏡像之外，Yocto還可以生成完整的交叉編譯SDK，用於應用開發。
生成SDK的命令為：
該命令會生成一個獨立完整的交叉編譯環境，其中包含：
aarch64交叉編譯工具鏈
目標系統根文件系統庫
MemryX運行時及其依賴項的頭文件
CMake集成支持
安裝生成的SDK後，可以通過以下方式啟用該環境：
注意：你的路徑可能有所不同。
此時，標準的基於CMake的應用程式即可直接針對瑞薩目標平台進行交叉編譯。
交叉編譯示例應用
為展示完整的部署流程，該平台通過一個運行在640×640輸入解析度下的C++ YOLO26 Nano目標檢測應用進行了驗證。該示例應用可在memx_test_app倉庫中找到，只需克隆該倉庫並進入項目文件夾即可。
該應用使用了：
GStreamer用於影片採集
OpenCV用於圖像預處理和渲染
MemryX運行時用於在MX3加速晶片上執行推理
在加載Yocto SDK環境後，可以使用CMake構建該應用：
生成的二進制文件是一個可直接部署到瑞薩平台上的aarch64可執行文件。
部署到目標設備
編譯好的應用程式及所需的運行時庫，可以通過cp命令直接複製到目標根文件系統中，或者在燒錄之前將二進制文件放入生成的rootfs鏡像中。
典型的部署位置包括：
部署完成後，可以使用以下命令檢查共享庫依賴關係：
以確認目標設備上所有共享庫依賴項均已正確解析。
在平台上運行推理
部署完成後，示例應用即可直接在瑞薩RZ/G3E平台上運行。
在目標檢測測試中，運行於640×640解析度下的YOLO26 Nano模型，通過MemryX加速流水線實現了約60 FPS的端到端性能。該端到端工作流包括：
USB攝影機輸入的影片解碼
預處理
在MemryX硬體上進行加速推理
後處理與顯示渲染
此外，RZ/G3E平台還可以使用內置的acclBench基準測試工具進行評估，該工具可直接測量加速器吞吐量，並提供針對持續推理負載的壓力測試能力。關於acclBench命令行工具的使用詳情，請參閱MemryX開發者中心的相關文檔。
硬體平台
參考硬體平台使用了一個MemryX MX3 M.2 AI加速模組。結合瑞薩RZ/G3E SOM和基於Yocto的Linux環境，該平台為涵蓋工業自動化、智能視覺和智能邊緣系統的嵌入式AI應用提供了靈活且可擴展的基礎。
性能考量
瑞薩RZ/G3E平台搭載四核Arm Cortex-A55處理器，集成圖形處理、多媒體功能和高速連接能力，為現代嵌入式AI應用提供了強大的基礎。通過將該平台與採用PCIe Gen3接口的MemryX加速器相結合，AI推理工作負載可以從主機CPU上卸載，使處理器能夠專注於應用邏輯、傳感器管理、通信等其他系統任務。這種組合在保持高效架構的同時，顯著提升了AI性能，非常適合工業、機器人、視覺等各類嵌入式邊緣部署場景。
源代碼與詳細說明
完整的源代碼、Yocto層以及搭建說明均可在MemryX GitHub上獲取。祝開發順利！
Lindsay Morel
MemryX
