docs(docs): 对文档内容进行新添和删改

build.txt

@@ -0,0 +1,22 @@
+.
+├── ./CMakeLists.txt
+├── ./data
+│   └── ./data/edges_readable.csv
+├── ./output
+│   ├── ./output/kruskal
+│   │   ├── ./output/kruskal/mst.svg
+│   │   ├── ./output/kruskal/route.txt
+│   │   └── ./output/kruskal/steps.txt
+│   ├── ./output/prim
+│   │   ├── ./output/prim/mst.svg
+│   │   ├── ./output/prim/route.txt
+│   │   └── ./output/prim/steps.txt
+│   └── ./output/shared
+│       └── ./output/shared/adjacency_matrix.csv
+├── ./README.md
+└── ./src
+    ├── ./src/kruskal_algo.cpp
+    ├── ./src/main.cpp
+    └── ./src/prim_algo.cpp
+
+7 directories, 13 files

docs/intro.mdx

@@ -62,6 +62,3 @@ __RevyOS__ 的用户版镜像目前在 ISCAS（中国科学院软件研究所）
 
 RevyOS 有自己的 Telegram 群组：[邀请链接](https://t.me/+Pi6px22-OsUxM2M1)
 
-## 实习生招聘
-
-现在正在招聘测试实习生，详情请看：[RevyOS 小队测试实习生招聘](https://github.com/plctlab/weloveinterns/blob/master/open-internships.md#j143-revyos%E5%B0%8F%E9%98%9F%E6%B5%8B%E8%AF%95%E5%AE%9E%E4%B9%A0%E7%94%9F20241111%E5%BC%80%E6%94%BE100%E5%90%8D)

docs/npu/lpi4a/object-detection/yolov5.mdx

@@ -0,0 +1,217 @@
+---
+title: YOLOv5
+description: 在 RevyOS 系统上部署和运行 YOLOv5 模型的教程
+sidebar_position: 2
+---
+
+import Tabs from '@theme/Tabs';
+import TabItem from '@theme/TabItem';
+
+## YOLOv5
+
+本教程将引导你如何通过 CPU 或 NPU 在 RevyOS 系统上运行 YOLOv5 模型。
+
+:::info[初始环境配置]
+在按照本教程操作前，请确保你已经完成了[环境配置](../../env)部分的内容。
+:::
+
+## 示例代码获取
+
+本教程配套的示例代码已更新到 [Github](https://github.com/zhangwm-pt/lpi4a-example) 中，使用 `git` 命令将其克隆到本地。
+
+```shell-session
+$ git clone https://github.com/zhangwm-pt/lpi4a-example.git
+```
+
+适用于本教程的代码位于 `detection/yolov5` 目录下。
+
+## 模型获取
+
+本教程中使用的模型来自 yolov5 模型仓库，可通过其 `export.py` 脚本导出。
+```python
+$ git clone https://github.com/ultralytics/yolov5.git
+$ cd yolov5
+$ pip3 install ultralytics
+$ python3 export.py --weights yolov5n.pt --include onnx --imgsz 384 640
+```
+
+:::note[关于 Github 的网络代理]
+如果你在中国大陆访问 GitHub 时遇到网络问题，可以考虑使用网络代理工具来加速访问。
+:::
+
+
+## 转换和编译模型
+
+环境配置完成后，即可使用 HHB 编译模型为 c920 上的可执行程序。
+
+本教程中使用的检测模型是 yolov5n，针对 yolov5n，hhb 命令中截取到最后的卷积层为止，卷积层之后的后处理，交由示例中已准备好的 yolov5n.c 文件处理。
+
+进入 `detection/yolov5` 目录，执行以下命令：
+
+<Tabs
+  groupId='npu-version'
+  defaultValue="npu"
+  values={[
+    {label: 'NPU', value: 'npu'},
+    {label: 'CPU', value: 'cpu'},
+  ]}>
+<TabItem value="cpu">
+```shell-session
+$ hhb -D --model-file yolov5n.onnx --data-scale-div 255 \
+    --board c920 --input-name "images" --output-name \
+    "/model.24/m.0/Conv_output_0;/model.24/m.1/Conv_output_0;/model.24/m.2/Conv_output_0" \
+    --input-shape "1 3 384 640" --quantization-scheme float16
+```
+</TabItem>
+    <TabItem value="npu">
+```shell-session
+$ hhb -D --model-file yolov5n.onnx --data-scale-div 255 \
+    --board th1520 --input-name "images" --output-name \
+    "/model.24/m.0/Conv_output_0;/model.24/m.1/Conv_output_0;/model.24/m.2/Conv_output_0" \
+    --input-shape "1 3 384 640" --calibrate-dataset kite.jpg  \
+    --quantization-scheme "int8_asym"
+```
+    </TabItem>
+</Tabs>
+
+:::info[关于参数]
+- `-D`：指定 HHB 流程执行到生成可执行文件的阶段为止
+- `--model-file`：指定输入模型文件
+- `--data-mean`：指定均值
+- `--data-scale`：指定缩放值
+- `--board`：指定目标平台为 C920（CPU） 或 TH1520（NPU)
+- `--input-name`： 模型的输入 tensor 名
+- `--output-name`：模型的输出 tensor 名
+- `--input-shape`：模型的输入 tensor 形状
+- `--postprocess`：指定 HHB 生成的胶水代码的后处理行为。`save_and_top5` 表示保存输出结果，并且打印 top5 结果
+- `--quantization-scheme`：指定量化类型
+
+你可以通过运行 `hhb --help` 查看所有可用的参数和选项。
+:::
+
+:::info[关于 HHB 生成的文件]
+命令执行完成后，会在当前目录生成 hhb_out 子目录，里面的包括了 `hhb_runtime` `model.c` 等多个文件：
+
+- `hhb.bm`：HHB 的模型文件，包括了量化后的权重数据等信息
+- `hhb_runtime`：适用于开发板的可执行文件，由目录中的C文件编译而成
+- `main.c`：HHB 生成的示例程序的参考入口
+- `model.c`：HHB 模型结构表示文件，与模型结构相关
+- `model.params`：模型权重文件
+- `io.c`：HHB 生成的示例程序，包含读写文件的辅助函数
+- `io.h`：HHB 生成的示例程序，包含读写文件的辅助函数声明
+- `process.c`：HHB 生成的示例程序，包含图像预处理函数
+- `process.h`：HHB 生成的示例程序，包含图像预处理函数声明
+:::
+
+### gcc 编译后处理
+
+本教程中，使用了 c 代码实现模型的后半部分和 NMS，后处理输出图片对应的检测结果。
+```C
+$ riscv64-unknown-linux-gnu-gcc yolov5n.c -o yolov5n_example hhb_out/io.c \
+    hhb_out/model.c -Wl,--gc-sections -O2 -g -mabi=lp64d -I hhb_out/ -L \
+    /usr/local/lib/python3.8/dist-packages/hhb/install_nn2/th1520/lib/ \
+    -lshl -L /usr/local/lib/python3.8/dist-packages/hhb/prebuilt/decode/install/lib/rv \
+    -L /usr/local/lib/python3.8/dist-packages/hhb/prebuilt/runtime/riscv_linux \
+    -lprebuilt_runtime -ljpeg -lpng -lz -lstdc++ -lm -I \
+    /usr/local/lib/python3.8/dist-packages/hhb/install_nn2/th1520/include/ -mabi=lp64d \
+    -march=rv64gcv0p7_zfh_xtheadc -Wl,-unresolved-symbols=ignore-in-shared-libs -I \
+    /usr/local/lib/python3.8/dist-packages/hhb/install_nn2/th1520/include/shl_public/ \
+    -I /usr/local/lib/python3.8/dist-packages/hhb/install_nn2/th1520/include/csinn/
+```
+
+本教程的示例代码中链接了 shl 库，比如 shl 的安装目录在 `/usr/local/lib/python3.8/dist-packages/shl`。
+
+:::info[选项说明]
+- `-Ihhb_out -I/usr/local/lib/python3.8/dist-packages/shl/install_nn2/c920/include/`：头文件的搜索路径，指定到 shl 的头文件路径
+- `-L/usr/local/lib/python3.8/dist-packages/shl/install_nn2/c920/lib`：库的搜索路径，指定到预编译好的 shl 的二进制库路径
+- `-static`：指定为静态链接
+- `-o yolov5n_example`：指定生成名为 yolov5n_example 的可执行文件
+:::
+
+编译命令正确执行完成后会在示例目录生成 yolov5n_example 文件。
+
+## 执行
+
+交叉编译完成后，即可将程序执行所需的文件复制到开发板的目录中。
+
+以开发板 ip 为 10.63.x.x，使用 /demo 目录为例，主机上将示例程序的目录通过 scp 复制到目录中：
+
+```bash
+scp -r yolov5n [email protected]:/demo/
+```
+
+linux 命令行执行时，开发板的命令行终端上，到示例目录执行命令。执行完成后，会在终端上提示执行到的各个阶段：
+1. 预处理：将原图填充缩放到 384 * 640 的大小
+2. 模型执行和后处理：执行模型推理，并做 nms 等后处理
+3. 画框：将检测结果画在 384 * 640 尺寸的图上，并输出新图片
+
+:::info[执行需要的文件]
+- `kite.jpg`：输入图片
+- `image_preprocessed.bin`：预处理阶段，根据输入图片生成的中间结果
+- `yolov5n_example`：模型执行阶段使用的文件，由x86主机上 gcc 编译生成
+- `hhb_out/hhb.bm`：模型执行阶段使用的文件，由x86主机上 HHB 生成
+- `detect.txt`：后处理阶段的输出文件，包括了图片中检测出来的 4 个目标
+- `kite_result.jpg`：输出图片，将检测框加入到输入图上的结果
+:::
+
+## 参考结果
+
+本教程中输入如下图，是一个一家三口放风筝的图片，预期 yolov5 的检测结果是检测到三个人和一个风筝。
+![输入图像](/img/image-for-flash/yolov5.png)
+![检测图像](/img/image-for-flash/yolov5_2.png)
+
+示例正常执行时，会有类似如下打印：
+
+<Tabs
+  groupId='npu-version'
+  defaultValue="npu"
+  values={[
+    {label: 'NPU', value: 'npu'},
+    {label: 'CPU', value: 'cpu'},
+  ]}>
+<TabItem value="cpu">
+```shell-session
+$ .python3 inference.py
+ ********** preprocess image **********
+ ******* run yolov5 and postprocess *******
+Run graph execution time: 401.13336ms, FPS=2.49
+detect num: 4
+id:     label   score           x1              y1              x2              y2
+[0]:    0       0.899609        274.486389      158.510849      359.157715      332.118591
+[1]:    0       0.880201        80.017410       184.470093      190.141861      349.840637
+[2]:    0       0.844358        219.474869      221.711838      283.615723      333.643250
+[3]:    33      0.667759        67.194008       174.118088      203.020660      220.667618
+ ********** draw bbox **********
+[274.486389, 158.510849, 359.157715, 332.118591, 0.899609, 0]
+[80.01741, 184.470093, 190.141861, 349.840637, 0.880201, 0]
+[219.474869, 221.711838, 283.615723, 333.64325, 0.844358, 0]
+[67.194008, 174.118088, 203.02066, 220.667618, 0.667759, 33]
+```
+</TabItem>
+    <TabItem value="npu">
+```shell-session
+$ python3 inference.py
+ ********** preprocess image **********
+ ******* run yolov5 and postprocess *******
+INFO: NNA clock:1001624 [kHz]
+INFO: Heap :anonymous (0x2)
+INFO: Heap :dmabuf (0x2)
+INFO: Heap :unified (0x5)
+WARNING: Mapping to the on chip ram failed (128 > 0), continuing...
+FATAL: Importing 737280 bytes of CPU memory has failed (Invalid argument)
+Run graph execution time: 11.96299ms, FPS=83.59
+detect num: 4
+id:     label   score           x1              y1              x2              y2
+[0]:    0       0.895277        273.492188      161.245056      359.559814      330.644257
+[1]:    0       0.887368        79.860062       179.181244      190.755692      354.304474
+[2]:    0       0.815214        222.054565      224.477600      279.828979      333.717285
+[3]:    33      0.563324        67.625580       173.948883      201.687988      219.065765
+ ********** draw bbox **********
+[273.492188, 161.245056, 359.559814, 330.644257, 0.895277, 0]
+[79.860062, 179.181244, 190.755692, 354.304474, 0.887368, 0]
+[222.054565, 224.4776, 279.828979, 333.717285, 0.815214, 0]
+[67.62558, 173.948883, 201.687988, 219.065765, 0.563324, 33]
+```
+    </TabItem>
+</Tabs>
+

docs/npu/lpi4a/object-detection/yolox.mdx

@@ -0,0 +1,114 @@
+---
+title: YOLOX
+description: 在 RevyOS 系统上运行 YOLOX 模型的教程
+sidebar_position: 1
+---
+
+import Tabs from '@theme/Tabs';
+import TabItem from '@theme/TabItem';
+
+
+## YOLOX
+
+本教程介绍如何在 **LicheePi 4A** 上部署 YOLOX 目标检测模型，并使用 **HHB-onnxruntime** 实现高效推理。
+
+
+:::info[初始环境配置]
+在按照本教程操作前，请确保你已经完成了[环境配置](../../env)部分的内容。
+:::
+
+## 示例代码获取
+
+本教程配套的示例代码已更新到 [Github](https://github.com/zhangwm-pt/lpi4a-example) 中，使用 `git` 命令将其克隆到本地。
+
+```shell-session
+$ git clone https://github.com/zhangwm-pt/lpi4a-example.git
+```
+适用于本教程的代码位于 `detection/yolox` 目录下。
+
+## 模型获取
+
+我们使用的模型来自 [Megvii-BaseDetection/YOLOX](https://github.com/Megvii-BaseDetection/YOLOX)，可以通过以下命令下载 YOLOX 模型：
+
+```shell-session
+$ git clone https://github.com/Megvii-BaseDetection/YOLOX.git
+$ cd YOLOX/demo/ONNXRuntime
+$ wget https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx
+```
+
+:::note[关于 Github 的网络代理]
+如果你在中国大陆访问 GitHub 时遇到网络问题，可以考虑使用网络代理工具来加速访问。
+:::
+
+## 修改源码
+修改文件 demo/ONNXRuntime/onnx_inference.py 的开头，新增如下所示的第四和第五行代码
+```python
+#!/usr/bin/env python3
+# Copyright (c) Megvii, Inc. and its affiliates.
+
++import sys
++sys.path.insert(0, "../../")
+
+import argparse
+import os
+```
+代码中使用 sys.path.insert 指定搜索路径，以此免去从源码中安装 YOLOX 的安装包的操作。
+
+## 环境准备
+
+本教程中的 YOLOX 示例依赖了较多的 python 包，下载预编译好的 python 包
+```shell-session
+$ git clone -b python3.11 https://github.com/zhangwm-pt/prebuilt_whl.git
+$ cd prebuilt_whl
+```
+
+或者也可以通过手动下载进行处理
+```
+$ pip3 install numpy-1.25.0-cp311-cp311-linux_riscv64.whl
+$ pip3 install opencv_python-4.5.4+4cd224d-cp311-cp311-linux_riscv64.whl
+$ pip3 install kiwisolver-1.4.4-cp311-cp311-linux_riscv64.whl
+$ pip3 install Pillow-9.5.0-cp311-cp311-linux_riscv64.whl
+$ pip3 install matplotlib-3.7.2.dev0+gb3bd929cf0.d20230630-cp311-cp311-linux_riscv64.whl
+$ pip3 install pycocotools-2.0.6-cp311-cp311-linux_riscv64.whl
+$ pip3 install loguru-0.7.0-py3-none-any.whl
+$ pip3 install MarkupSafe-2.1.3-cp311-cp311-linux_riscv64.whl
+$ pip3 install torch-2.0.0a0+gitc263bd4-cp311-cp311-linux_riscv64.whl
+$ pip3 install torchvision-0.15.1a0-cp311-cp311-linux_riscv64.whl
+$ pip3 install psutil-5.9.5-cp311-abi3-linux_riscv64.whl
+$ pip3 install tqdm-4.65.0-py3-none-any.whl
+$ pip3 install tabulate-0.9.0-py3-none-any.whl
+```
+安装过程中会涉及到其他纯 python 依赖包，pip 会自动从官方源下载。
+
+
+## 推理执行
+
+在示例目录中执行 onnx_inference.py 示例
+
+```bash
+$ python3 onnx_inference.py -m yolox_s.onnx -i ../../assets/dog.jpg -o outdir -s 0.7 --input_shape 640,640
+```
+
+:::info[关于参数]
+
+- `-m`：指定模型文件 
+- `-i`：输入图片路径 
+- `-o`：输出结果目录 
+- `-s`：检测阈值 
+- `--input_shape`：输入图像尺寸 
+:::
+
+## 参考结果
+
+本教程中输入如下图，0.7的阈值下，预期 YOLOX 的检测结果如下。
+
+
+![输入图像](https://wiki.sipeed.com/hardware/zh/lichee/th1520/lpi4a/assets/application/yolox_detection_soccer_input.jpg)
+
+示例正常执行后，会在 outdir 目录下生成结果图片 dog.jpg。图片中会用框画出检测到的目标，并标注概率，效果如下图：
+
+![检测结果](https://wiki.sipeed.com/hardware/zh/lichee/th1520/lpi4a/assets/application/yolox_detection_soccer_output.jpg)
+
+检测到两个人和一个足球。
+
+