昇騰的AI全軟件棧平臺、開源框架、CANN、MindSpore、MindX 等工具，可以讓開發(fā)者實現(xiàn)「統(tǒng)一端邊云，全端自動部署」，開啟了機器學(xué)習(xí)開發(fā)的新時代，一直被人們寄予厚望。但正因為資源極其豐富，浩如星辰，想要快速尋找，到摸索清楚其中的原理，并最終結(jié)合自己手上的項目實現(xiàn)應(yīng)用部署，人力成本、時間成本將增加不少，不利于快速推進項目。

現(xiàn)在~好消息來了！ 經(jīng)過英碼科技工程師們的認真梳理，本篇文章，我們以英碼科技EA500I邊緣計算盒子為例，為大家介紹在昇騰CANN架構(gòu)下，基于PyTorch框架的ResNet50模型，以及基于YOLOV7網(wǎng)絡(luò)模型如何快速實現(xiàn)模型推理應(yīng)用。

CANN架構(gòu)介紹

異構(gòu)計算架構(gòu)CANN（Compute Architecture for Neural Networks）是華為針對AI場景推出的異構(gòu)計算架構(gòu)，向上支持多種AI框架，包括MindSpore、PyTorch、TensorFlow等，向下服務(wù)AI處理器與編程，發(fā)揮承上啟下的關(guān)鍵作用，是提升昇騰AI處理器計算效率的關(guān)鍵平臺。同時針對多樣化應(yīng)用場景，提供多層次編程接口，支持用戶快速構(gòu)建基于昇騰平臺的AI應(yīng)用和業(yè)務(wù)。

01

樣例1介紹（ResNet50模型）

▍基于PyTorch框架的ResNet50模型，對*.jpg圖片分類，輸出各圖片所屬分類的編號、名稱。

樣例的處理流程如下圖所示：

1 ? 樣例下載 ?

命令行方式下載(下載時間較長，需稍作等待)。

# 開發(fā)環(huán)境，非root用戶命令行中執(zhí)行以下命令下載源碼倉。

cd ${HOME}

git clone https://gitee.com/ascend/samples.git

?

注：如果需要切換到其它tag版本，以v0.9.0為例，可執(zhí)行以下命令。

git check outv0.9.0

樣例的代碼目錄說明如下：

2 準備環(huán)境

（1）安裝CANN軟件

最新版本的CANN軟件安裝指南請戳→安裝指南

注：英碼科技EA500I智能工作站系統(tǒng)環(huán)境中已適配該軟件，無需另行下載安裝。

（2）設(shè)置環(huán)境變量

注：“$HOME/Ascend”請?zhí)鎿Q“Ascend-cann-toolkit”包的實際安裝路徑。

# 設(shè)置CANN依賴的基礎(chǔ)環(huán)境變量

. ${HOME}/Ascend/ascend-toolkit/set_env.sh

#如果用戶環(huán)境存在多個python3版本，則指定使用python3.7.5版本

exportPATH=/usr/local/python3.7.5/bin:$PATH

#設(shè)置python3.7.5庫文件路徑

exportLD_LIBRARY_PATH=/usr/local/python3.7.5/lib:$LD_LIBRARY_PATH

# 配置程序編譯依賴的頭文件與庫文件路徑

export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest

export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

（3）安裝OpenCV

執(zhí)行以下命令安裝opencv ，須確保是3.x版本；

sudo apt-get installlibopencv-dev

3 樣例運行

（1）獲取PyTorch框架的ResNet50模型(*.onnx)，并轉(zhuǎn)換為昇騰AI處理器能識別的模型(*.om)

注：此處以昇騰310 AI處理器為 例，針對其它昇騰AI處理器的模型轉(zhuǎn)換，需修改atc命令中的-- soc_version參數(shù)值。

# 為方便下載，這里直接給出原始模型下載及模型轉(zhuǎn)換命令,可以直接拷貝執(zhí)行。

cd $HOME/samples/inference/modelInference/sampleResnetQuickStart/

cpp/model wgethttps://obs-9be7.obs.cn-east- 2.myhuaweicloud.com/003_Atc_Models/resnet50/resnet50.onnx

atc --model=resnet50.onnx--framework=5 --output=resnet50 --

input_shape="actual_input_1:1,3,224,224" --soc_version=Ascend310

atc命令中各參數(shù)的解釋如下，詳細約束說明請參見《ATC模型轉(zhuǎn)換指南》。

--model ：ResNet-50網(wǎng)絡(luò)的模型文件的路徑

--framework：原始框架類型。5表示ONNX。

--output：resnet50.om模型文件的路徑。請注意，記錄保存該om模型文件的路徑，后續(xù)開發(fā)應(yīng)用時需要使用。

--input_shape：模型輸入數(shù)據(jù)的shape。

--soc_version：昇騰AI處理器的版本。

說明：如果無法確定當(dāng)前設(shè)備的soc_version，則在安裝驅(qū)動包的服務(wù)器執(zhí)行npu-smi info 命令進行查詢，在查詢到的“Name“前增加Ascend信息，例如“Name“對應(yīng)取值為_xxxyy_ ， 實際配置的soc_version值為Ascend_xxxyy_。

（2）獲取測試圖片數(shù)據(jù)

請從以下鏈接獲取該樣例的測試圖片dog1_ 1024_683.jpg，放在data目錄下。

cd $HOME/samples/inference/modelInference/

sampleResnetQuickStart/cpp/data wget

https://obs-9be7.obs.cn-east- 2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg

注：若需更換測試圖片，則需自行準備測試圖片，并將測試圖片放到data目錄下。

（3）編譯樣例源碼

執(zhí)行以下命令編譯樣例源碼：

cd $HOME/samples/inference/modelInference/

sampleResnetQuickStart/

cpp/scripts bash sample_build.sh

（4）運行樣例

執(zhí)行以下腳本運行樣例：

bash sample_run.sh

執(zhí)行成功后，在屏幕上的關(guān)鍵提示信息示例如下，提示信息中的label表示類別標識、conf表示該分類的最大置信度，class表示所屬類別。這些值可能會根據(jù)版本、環(huán)境有所不同，請以實際情況為準：

[INFO] The sample starts to run

out_dog1_1024_683.jpg

label:162 conf:0.902209 class:beagle

[INFO] Theprogram runs successfully

4 代碼邏輯詳解（C&C++語言）

樣例中的接口調(diào)用流程如下圖所示：

在此樣例基礎(chǔ)上：

若想要更換測試圖片，只需自行準備好新的jpg圖片并存放到樣例的data目錄下，圖片數(shù)據(jù)預(yù)處理時會自 動從該目錄下讀取圖片數(shù)據(jù)、再縮放至模型所需的大小。

若想要更換模型，則需關(guān)注以下修改點：

1.準備模型：需自行準備好原始模型并存放到樣例的model目錄下，再參考《ATC模型轉(zhuǎn)換指南》轉(zhuǎn)換模型；

2. 加載模型：在aclmdlLoadFromFile接口處加載轉(zhuǎn)換后的模型；

3. 準備模型輸入/輸出數(shù)據(jù)結(jié)構(gòu)：根據(jù)新模型的輸入、輸出個數(shù)準備；

4. 獲取推理結(jié)果&后處理：根據(jù)新模型的輸出數(shù)據(jù)進行后處理。

須知：一般來說，更換其它圖片分類模型(例如resnet50- >resnet101) ,由于同類模型的輸入、輸出類 似，在此樣例基礎(chǔ)上改動較小，但如果更換為其它類型的模型(例如目標檢測模型)，由于不同類型模型的輸入、輸出差別較大，在此樣例基礎(chǔ)上數(shù)據(jù)預(yù)處理、模型輸入&輸出準備以及數(shù)據(jù)后處理等改動很大，建議在Ascend Sample倉先找到目標檢測類的樣例，再基于目標檢測樣例修改。

02

樣例2介紹（YOLOV7模型）

以YOLOV7網(wǎng)絡(luò)模型為例，使能Acllite對圖片進行預(yù)處理，并通過模型轉(zhuǎn)換使能靜態(tài)AIPP功能，使能AIPP功能后，YUV420SP_U8格式圖片轉(zhuǎn)化為RGB，然后減均值和歸一化操作，并將該信息固化到轉(zhuǎn)換后的離線模型中，對YOLOV7網(wǎng)絡(luò)執(zhí)行推理，對圖片進行物體檢測和分類，并給出標定框和類別置信度。

樣例輸入：圖片。

樣例輸出：圖片物體檢測，并且在圖片上給出物體標注框，類別以及置信度。 1 獲取源碼包

可以使用以下兩種方式下載，請選擇其中一種進行源碼準備。

命令行方式下載(下載時間較長，但步驟簡單)：

# 開發(fā)環(huán)境，非root用戶命令行中執(zhí)行以下命令下載源碼倉。

cd ${HOME}

git clone https://gitee.com/ascend/samples.git

注：如果需要切換到其它tag版本，以v0.5.0為例，可執(zhí)行以下命令。

git checkoutv0.5.0 壓縮包方式下載(下載時間較短，但步驟稍微復(fù)雜)。

注：如果需要下載其它版本代碼，請先請根據(jù)前置條件說明進行samples倉分支切換。 # 1. samples倉右上角選擇【克隆/下載】下拉框并選擇【下載ZIP】。

# 2. 將ZIP包上傳到開發(fā)環(huán)境中的普通用戶家目錄中， 【例如：${HOME}/ascend-samples- master.zip】。

# 3. 開發(fā)環(huán)境中，執(zhí)行以下命令，解壓zip包。

cd ${HOME}

unzip ascend-samples-master.zip

2 第三方依賴安裝 設(shè)置環(huán)境變量，配置程序編譯依賴的頭文件，庫文件路徑?！?HOME/Ascend”請?zhí)鎿Q“Ascend-cann-toolkit”包的實際安裝路徑。 export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest

export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

export THIRDPART_PATH=${DDK_PATH}/thirdpart

export LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH

創(chuàng)建THIRDPART_PATH路徑：

mkdir-p${THIRDPART_PATH}

acllite

注：源碼安裝ffmpeg主要是為了acllite庫的安裝 執(zhí)行以下命令安裝x264 # 下載x264

cd ${HOME}

git clonehttps://code.videolan.org/videolan/x264.git

cdx264

# 安裝x264

./configure --enable-shared --disable-asm

make

sudomakeinstall

sudo cp /usr/local/lib/libx264.so.164 /lib 執(zhí)行以下命令安裝ffmpeg：

# 下載ffmpeg

cd ${HOME}

wge thttp://www.ffmpeg.org/releases/ffmpeg-4.1.3.tar.gz --no-check-certificatetar-zxvfffmpeg-4.1.3.tar.gz

cdffmpeg-4.1.3

# 安裝ffmpeg

./configure --enable-shared --enable-pic --enable-static--disable-x86asm--enable-libx264 --enable-gpl--prefix=${THIRDPART_PATH}

make-j8

make install

執(zhí)行以下命令安裝acllite： cd ${HOME}/samples/inference/acllite/cplusplus

make

make install

安裝opencv

執(zhí)行以下命令安裝opencv(注:須確保是3.x版本)

sudo apt-get installlibopencv-dev

3 樣例運行

（1）數(shù)據(jù)準備

請從以下鏈接獲取該樣例的輸入圖片，放在data目錄下。

cd $HOME/samples/inference/modelInference/sampleYOLOV7/data

wgethttps://obs-9be7.obs.cn-east-

2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg （2）ATC模型轉(zhuǎn)換 將YOLOV7原始模型轉(zhuǎn)換為適配昇騰310處理器的離線模型(*.om文件)，放在model路徑下。 #為了方便下載，在這里直接給出原始模型下載及模型轉(zhuǎn)換命令,可以直接拷貝執(zhí)行。 cd $HOME/samples/inference/modelInference/ sampleYOLOV7/model

wgethttps://obs-9be7.obs.cn-east-

2.myhuaweicloud.com/003_Atc_Models/yolov7/yolov7x.onnx

wgethttps://obs-9be7.obs.cn-east-

2.myhuaweicloud.com/003_Atc_Models/yolov7/aipp.cfg

atc--model=yolov7x.onnx--framework=5 --output=yolov7x --

input_shape="images:1,3,640,640" --soc_version=Ascend310 --

insert_op_conf=aipp.cfg 樣例編譯

執(zhí)行以下命令，執(zhí)行編譯腳本，開始樣例編譯。 cd $HOME/samples/inference/modelInference/ sampleYOLOV7/scripts

bash sample_build.sh 樣例運行

執(zhí)行運行腳本，開始樣例運行。 bash sample_run.s

（3）樣例結(jié)果展示

運行完成后，會在樣例工程的out目錄下生成推理后的圖片，顯示對比結(jié)果如下所示。

結(jié)語

以上內(nèi)容詳細介紹了在昇騰CANN架構(gòu)下，基于PyTorch框架的ResNet50模型，以及基于YOLOV7網(wǎng)絡(luò)模型如何快速實現(xiàn)模型推理應(yīng)用的主要流程，尤其方便已購買英碼科技EA500I邊緣計算盒子的開發(fā)者朋友們快速實現(xiàn)推理應(yīng)用。

下期將會繼續(xù)更新關(guān)于昇騰開發(fā)工具的其他詳細使用教程，歡迎關(guān)注！

# end

? ?

關(guān)于英碼科技

廣州英碼信息科技有限公司成立于2006年，是一家致力提供“云-邊-端”協(xié)同的AIoT產(chǎn)品與細分場景解決方案的人工智能企業(yè)。

英碼旗下的“深元”AI產(chǎn)品體系，打造了一個以高、中、低多層次算力硬件為基礎(chǔ)，算法自訓(xùn)練和生態(tài)整合為驅(qū)動，AI賦能平臺為支撐，工具鏈為輔助的全棧式AI應(yīng)用服務(wù)架構(gòu)，打通場景需求-算法-硬件集成-業(yè)務(wù)平臺對接-項目交付的全鏈條，為客戶提供算法、算力雙重自定義的產(chǎn)品和服務(wù)，推動AI和邊緣計算在細分場景的廣泛應(yīng)用。

英碼的AIoT產(chǎn)品以及定制服務(wù)面向智慧城市、智慧交通、智慧金融、智慧校園、智慧應(yīng)急、智慧園區(qū)等不同行業(yè)和細分場景，為客戶提供全方位的軟硬件支撐和產(chǎn)品自定義能力。

英碼科技的以“感知萬物，智算賦能”為核心理念，軟硬結(jié)合全面賦能千行百業(yè)智能化轉(zhuǎn)型，構(gòu)建無所不及的智能世界。

審核編輯 黃宇