Hardware y herramientas¶
Equipo disponible¶
| Equipo | Uso en esta ruta |
|---|---|
| Mac mini M4, 16 GB | Entrenar modelos con PyTorch usando la GPU del chip (backend MPS). Fases 1, 3 y 4. |
| PC Ubuntu 22.04, 16 GB, Vivado 2022.2 | FINN, síntesis, bitstreams. Fase 2 y parte de hardware de la fase 3. |
| ZedBoard (Zynq-7020) | Placa objetivo principal. |
| Nexys 3 (Spartan-6) | Prácticamente fuera de juego para ML (ver abajo). |
| ESP32, STM32, Arduino | Despliegue en microcontrolador. |
| Google Colab / Kaggle | Entrenamientos largos o búsquedas de hiperparámetros. Sin Vivado. |
flowchart LR
subgraph Mac["Mac M4 / Colab"]
A[Datos] --> B[Entrenamiento PyTorch + Brevitas]
B --> C[Exportar QONNX o Verilog]
end
subgraph PC["PC Ubuntu + Vivado 2022.2"]
C --> D[FINN o síntesis Vivado]
D --> E[Bitstream]
end
E --> F[ZedBoard]
Vivado no corre en macOS
Vivado no existe para macOS ni para Apple Silicon. No intentes emularlo en el Mac (UTM, Docker con Rosetta): no está soportado y es lentísimo. Todo lo que toque Vivado o FINN va en la PC Ubuntu.
La ZedBoard sirve, y mucho¶
La ZedBoard lleva un Zynq-7020 (XC7Z020), el mismo chip de las placas PYNQ-Z1 y PYNQ-Z2. Esas placas son la referencia de FINN y aparecen en muchos artículos de redes binarias y basadas en LUT. Cualquier resultado publicado en PYNQ-Z2 es reproducible en la ZedBoard, salvo diferencias de periféricos.
Una referencia ideal para empezar: Borras et al. (2022), "Open-source FPGA-ML codesign for the MLPerf Tiny Benchmark". Implementan MLPerf Tiny con hls4ml y FINN en una PYNQ-Z2.
La Nexys 3 no sirve para estos flujos¶
La Nexys 3 usa un Spartan-6, que Vivado no soporta (solo ISE 14.7). Ni FINN ni hls4ml generan diseños para ella. Como mucho sirve para sintetizar en ISE el Verilog de tablas de verdad que genera LogicNets en modelos muy pequeños.
Compatibilidad de herramientas FPGA¶
FINN (AMD/Xilinx)¶
| Versión | Vivado requerido | Placas PYNQ-Z1/Z2 |
|---|---|---|
| v0.10.1 (julio de 2024) | 2022.2 | Soportadas |
v1.0.0-alpha / rama main (2026) |
2024.2 | Retiradas (reactivables editando retired_pynq_boards en src/finn/util/basic.py) |
Decisión: FINN v0.10.1 con Vivado 2022.2. Es justo la versión instalada.
- Documentación de v0.10.1: getting_started.rst
- Documentación actual: finn.readthedocs.io
La ZedBoard no figura como placa soportada en ninguna versión, pero FINN puede generar un IP "stitched" que se integra a mano en Vivado IP Integrator sobre cualquier FPGA AMD.
hls4ml¶
- La versión 1.3 tiene dos backends relevantes: Vivado (probado con Vivado HLS 2020.1) y Vitis (requiere Vitis HLS ≥ 2023.1). Ver setup de hls4ml.
- Vivado 2022.2 trae Vitis HLS 2022.2, que queda entre ambos rangos. Probablemente funcione, sin garantía.
- Si da problemas, instala Vivado 2020.1 en paralelo, que es gratis para la 7020.
Vitis AI / DPU: descartado¶
El DPU de Vitis AI dejó de soportar la familia Zynq-7000 (ver el historial de revisiones de PG338). El DPU actual es solo para Zynq UltraScale+. No pierdas tiempo aquí.
Frameworks para microcontroladores¶
| Framework | Para qué | Enlace |
|---|---|---|
| LiteRT for Microcontrollers (antes TensorFlow Lite Micro) | Intérprete estándar de inferencia en MCU | Documentación · GitHub |
| CMSIS-NN | Kernels optimizados int8/int16 para Cortex-M (STM32) | GitHub |
| ESP-DL | Inferencia en ESP32, optimizada para S3 y P4 | Documentación |
| ST Edge AI Core / Developer Cloud | Convertir y medir modelos en STM32, con benchmark en placas remotas gratis | Documentación |
| Edge Impulse | Ruta más rápida de datos a firmware, con interfaz web | Documentación |
Compra recomendada de bajo costo
Un ESP32-S3 (unos 10 USD). ESP-DL funciona en el ESP32 clásico, pero con operadores en C puro, mucho más lentos. El S3 tiene instrucciones vectoriales que ESP-DL aprovecha.
No inviertas tiempo en microTVM
microTVM salió de la rama principal de Apache TVM tras la transición a Relax. Ver la discusión en el foro de TVM.
Entorno Python en el Mac¶
curl -LsSf https://astral.sh/uv/install.sh | sh # instalar uv
mkdir -p ~/tinyml && cd ~/tinyml
uv venv --python 3.11
source .venv/bin/activate
uv pip install torch torchvision numpy pandas scikit-learn matplotlib jupyterlab
python -c "import torch; print(torch.__version__, 'MPS:', torch.backends.mps.is_available())"
Note
Cada terminal nueva necesita source ~/tinyml/.venv/bin/activate. En las fases 2 y 3 se usan entornos separados con versiones fijas, porque Brevitas, LogicNets y PolyLUT suelen exigir versiones de PyTorch más antiguas.