随着摩尔定律逐渐接近尾声,一味地通过提升工艺来比拼硬件性能将变得越来越艰难。在现有工艺下,如何改进硬件架构来适应不断变化的人工智能算法变得愈发的重要。为了针对具体应用,研究从底层硬件到上层软件接口的设计,保证芯片底层和上层软件接口设计符合具体应用的需求,本论文在基于开源硬件框架的人工智能芯片研究平台和FPGA开源软件框架PYNQ基础上,开发了所需的软件栈,并通过改进的YOLOv3-Tiny目标检测算法实现了软件栈的验证。主要工作包括:(1)设计了人工智能芯片软件栈的总体框架,完成了人工智能芯片研究平台的软件开发,包括算法的模型训练、模型转换,CNN加速指令及加速硬件的驱动程序开发和CNN应用级API调用接口开发。(2)特定应用场景的目标检测算法在该平台的移植与测试。传统检测方法在猪群检测和计数应用方面存在的检测设备易损、检测结果不理想等问题。本文在YOLOv3-Tiny算法的基础上,增加了一个检测尺度并进行特征密集连接复用,提高了目标检测算法的精度。最后将YOLOv3-Tiny移植在人工智能芯片研究平台进行测试对比,测试结果显示设计方案获得了较好的效果。