AES200设备AI Samples 测试文档

2023-11-05 16:50
文章标签 ai 文档 测试 设备 samples aes200

本文主要是介绍AES200设备AI Samples 测试文档，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

AES200设备AI Samples 测试文档

1. 验证设备软件环境

1.1. 检测NPU信息

[root@localhost ~]# npu-smi info
+------------------------------------------------------------------------------------------------+
| npu-smi 22.0.1                           Version: 22.0.2                                       |
+-----------------------+-----------------+------------------------------------------------------+
| NPU     Name          | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
| Chip    Device        | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
+=======================+=================+======================================================+
| 0       310P1         | Warning         | NA           33                0    / 0              |
| 0       0             | NA              | 0            1138 / 43195                            |
+=======================+=================+======================================================+

1.2. 检测python版本

[root@localhost ~]# python3 --version
Python 3.7.9

1.3. 检测是否安装toolkit

[root@localhost ~]# ls /usr/local/Ascend/ascend-toolkit/
5.1  5.1.RC2.alpha007  latest  set_env.sh

1.4. 检测环境变量设置

[root@localhost ~]# cat ~/.bashrc
# .bashrc# User specific aliases and functionsalias rm='rm -i'
alias cp='cp -i'
alias mv='mv -i'# Source global definitions
if [ -f /etc/bashrc ]; then. /etc/bashrc
fi#用于设置python3.7.5库文件路径
#export LD_LIBRARY_PATH=/usr/local/python3.7.5/lib:$LD_LIBRARY_PATH
#如果用户环境存在多个python3版本，则指定使用python3.7.5版本
#export PATH=/usr/local/python3.7.5/bin:$PATHexport LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib64/aicpu_kernels/0/aicpu_kernels_device
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib64/aicpu_kernels/0/aicpu_kernels_device/sand_box
#添加toolkit环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh

1.5. 检查GCC版本

[root@localhost ~]# gcc --version
gcc (GCC) 7.3.0
Copyright (C) 2017 Free Software Foundation, Inc.
This is free software; see the source for copying conditions.  There is NO
warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.

2. 准备Demo运行环境

2.1 准备python代码运行环境

  1. 升级python3

    [root@localhost ~]# yum install python3-3.7.9
Last metadata expiration check: 3:39:27 ago on Wed 17 Aug 2022 09:06:52 AM CST.
Package python3-3.7.9-18.oe1.aarch64 is already installed.
......
Upgraded:python3-3.7.9-23.oe1.aarch64Complete!

  2. 安装python3-devel

    [root@localhost ~]# yum install python3-devel
......
Installed:python3-devel-3.7.9-23.oe1.aarch64Complete!

  3. 配置环境变量

      [root@localhost environment]# vi ~/.bashrc# 在文件最后一行后面添加如下内容。export CPU_ARCH=`arch`export THIRDPART_PATH=${HOME}/Ascend/thirdpart/${CPU_ARCH}  #代码编译时链接第三方库export PYTHONPATH=${THIRDPART_PATH}/acllite:$PYTHONPATH #设置pythonpath为固定目录export INSTALL_DIR=/usr/local/Ascend/ascend-toolkit/latest #CANN软件安装后文件存储路径[root@localhost environment]# mkdir -p ~/Ascend/thirdpart/aarch64

  4. 升级pip

    [root@localhost ~]# python3 -m pip install --upgrade pip --user -i https://mirrors.huaweicloud.com/repository/pypi/simple

  5. 安装依赖软件包

    [root@localhost ~]# yum install hdf5
......
Installed:hdf5-1.8.20-12.oe1.aarch64                                                                                                          libaec-1.0.4-1.oe1.aarch64Complete!
    [root@localhost ~]# yum install hdf5-devel
......
Installed:hdf5-devel-1.8.20-12.oe1.aarch64                                                                                             libaec-devel-1.0.4-1.oe1.aarch64Complete!

  6. 安装python依赖包

    [root@localhost environment]# python3 -m pip install Cython numpy tornado==5.1.0 protobuf attrs  psutil absl-py  tensorflow pillow --user -i https://mirrors.huaweicloud.com/repository/pypi/simpleSuccessfully installed MarkupSafe-2.1.1 absl-py-1.2.0 astunparse-1.6.3 attrs-22.1.0 cached-property-1.5.2 cachetools-5.1.0 certifi-2022.6.15 charset-normalizer-2.1.0 flatbuffers-2.0 gast-0.4.0 google-auth-2.10.0 google-auth-oauthlib-0.4.6 google-pasta-0.2.0 grpcio-1.47.0 h5py-3.4.0 idna-3.3 importlib-metadata-4.12.0 keras-2.9.0 keras-preprocessing-1.1.2 libclang-14.0.6 markdown-3.4.1 oauthlib-3.2.0 opt-einsum-3.3.0 packaging-21.0 protobuf-3.19.4 psutil-5.9.1 pyasn1-0.4.8 pyasn1-modules-0.2.8 requests-2.28.1 requests-oauthlib-1.3.1 rsa-4.9 tensorboard-2.9.1 tensorboard-data-server-0.6.1 tensorboard-plugin-wit-1.8.1 tensorflow-2.10.0rc0 tensorflow-cpu-aws-2.10.0rc0 tensorflow-estimator-2.9.0 tensorflow-io-gcs-filesystem-0.26.0 termcolor-1.1.0 typing-extensions-4.2.0 urllib3-1.26.11 werkzeug-2.2.2 wheel-0.37.1 wrapt-1.14.1 zipp-3.8.1

    [root@localhost environment]# python3 -m pip install opencv-python --user -i https://mirrors.huaweicloud.com/repository/pypi/simpleSuccessfully installed opencv-python-4.6.0.66
WARNING: Running pip as the 'root' user can result in broken permissions and conflicting behaviour with the system package manager. It is recommended to use a virtual environment instead: https://pip.pypa.io/warnings/venv
    [root@localhost environment]# python3 -m pip install av
.....
Successfully installed av-9.2.0[root@localhost environment]# python3 -m pip install pillow
......
Successfully installed pillow-9.1.1
    [root@localhost model]# python3 -m pip install sympy
......
Installing collected packages: mpmath, sympy
Successfully installed mpmath-1.2.1 sympy-1.10.1

  7. 安装ffmpeg

    [root@localhost environment]# yum install ffmpeg

  8. 安装python-acllite

    [root@localhost environment]# cp -r root/workspace/samples/python/common/acllite ${THIRDPART_PATH}

2.2. 准备C++代码运行环境

由于opencv和ffmpeg编译耗时，我们准备了编译好的包，可以从下表中下载，然后解压到系统中即可

软件名称版本下载链接
Opencv4.2opencv-4.2-EulerOS.tgz
Ffmpeg4.1ffmpeg-4.1-EulerOS.tar.gz

将压缩包上传到root目录，并解压安装

#解压opencv到根目录，默认会解压到/home/HwHiAiUser/ascend_ddk/arm和目录usr/lib/python3.7/site-packages/cv2
[root@localhost ~]# tar xvf opencv-4.2-EulerOS.tgz -C / 
#解压ffmpeg-4.1-EulerOS.tar.gz，默认解压到/usr/local/ffmpeg目录
[root@localhost ~]# tar xvf ffmpeg-4.1-EulerOS.tar.gz -C /
[root@localhost ~]# cp /usr/local/ffmpeg/lib/pkgconfig/* /usr/share/pkgconfig/

**注意：**如果要在root用户下运行样例，请将home/HwHiAiUser/ascend_ddk目录拷贝一份到/root目录中

[root@localhost ~]# cp /home/HwHiAiUser/ascend_ddk /root

准备环境变量

编辑.bashrc文件
[root@localhost ~]# vim ~/.bashrc
在文件末尾添加：
export LD_LIBRARY_PATH=$HOME/ascend_ddk/arm/lib64/:/usr/local/ffmpeg/lib:$THIRDPART_PATH/lib:$LD_LIBRARY_PATH
export NPU_HOST_LIB=/usr/local/Ascend/ascend-toolkit/latest/acllib/lib64/stub
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export THIRDPART_PATH=${HOME}/Ascend/thirdpart/${CPU_ARCH} 
export INSTALL_DIR=/usr/local/Ascend/ascend-toolkit/latestexport CPU_ARCH=`arch`

3. 运行C++ Demo样例

3.1. 编译依赖

前提条件

部署此Sample前，需要准备好以下环境：

  • 请确认已按照2.2准备好环境。

  • 已完成对应产品的开发环境和运行环境安装。

软件准备

  1. 获取源码包。

    可以使用以下两种方式下载，请选择其中一种进行源码准备。

    • 命令行方式下载（下载时间较长，但步骤简单）。

      开发环境，在命令行中执行以下命令下载源码仓。

      cd $HOME

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

    • 压缩包方式下载（下载时间较短，但步骤稍微复杂）。

      1. samples仓右上角选择 克隆/下载 下拉框并选择 下载ZIP。

      2. 将ZIP包上传到开发环境中的普通用户家目录中，例如 $HOME/ascend-samples-master.zip。

      3. 开发环境中，执行以下命令，解压zip包。

        cd $HOME

        unzip ascend-samples-master.zip

acllite编译安装

执行以下命令，执行编译脚本，开始acllite编译。

cd $HOME/samples/cplusplus/common/acllite
#按一下差异修改Makefile文件
[root@localhost acllite]# git diff Makefile
diff --git a/cplusplus/common/acllite/Makefile b/cplusplus/common/acllite/Makefile
index 413b7d10a..36aef85eb 100755
--- a/cplusplus/common/acllite/Makefile
+++ b/cplusplus/common/acllite/Makefile
@@ -42,7 +42,8 @@ INC_DIR = \-I$(THIRDPART_PATH)/include/ \-I$(THIRDPART_PATH)/include/presenter/agent/ \-I$(INSTALL_DIR)/runtime/include/ \
-        -I$(INSTALL_DIR)/driver/
+        -I$(INSTALL_DIR)/driver/ \
+       -I/usr/local/ffmpeg/include/CC_FLAGS := $(INC_DIR) -DENABLE_DVPP_INTERFACE -std=c++11 -fPIC -Wall -O2LNK_FLAGS := \
@@ -50,6 +51,7 @@ LNK_FLAGS := \-Wl,-rpath-link=$(THIRDPART_PATH)/lib \-L$(INSTALL_DIR)/runtime/lib64/stub \-L$(THIRDPART_PATH)/lib \
+       -L/usr/local/ffmpeg/lib \-lascendcl \-lacl_dvpp \-lstdc++ \make #编译
make install 安装

3.2. 目标识别：YOLOV3_coco_detection_picture_DVPP_with_AIPP样例

功能：使用yolov3模型对输入图片进行预测推理，并将结果打印到输出图片上。

样例输入：原始图片jpg文件。

样例输出：带推理结果的jpg文件。

3.2.1. 前提条件

部署此Sample前，需要准备好以下环境：

  • 请确认已按照2.2和acllite编译安装准备好环境。

  • 已完成对应产品的开发环境和运行环境安装。

3.2.2. 模型转换。
模型名称模型说明模型下载路径
yolov3图片检测推理模型。是基于Caffe的yolov3模型。请参考https://gitee.com/ascend/modelzoo/tree/master/contrib/TensorFlow/Research/cv/yolov3/ATC_yolov3_caffe_AE目录中README.md下载原始模型章节下载模型和权重文件。
# 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。也可以参照上表在modelzoo中下载并手工转换，以了解更多细节。   
cd $HOME/samples/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/model     
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/yolov3.caffemodel
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/yolov3.prototxt
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/YOLOV3_coco_detection_picture_DVPP_with_AIPP/aipp_nv12.cfg
atc --model=yolov3.prototxt --weight=yolov3.caffemodel --framework=0 --output=yolov3 --soc_version=Ascend310 --insert_op_conf=aipp_nv12.cfg
3.2.3. 样例编译

根据以下diff，修改代码

[root@localhost YOLOV3_coco_detection_picture_DVPP_with_AIPP]# git diff src/CMakeLists.txt
diff --git a/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/CMakeLists.txt b/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/CMakeLists.txt
index 13e495896..b8a1c57f5 100644
--- a/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/CMakeLists.txt
+++ b/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/CMakeLists.txt
@@ -42,6 +42,7 @@ endif()include_directories($ENV{INSTALL_DIR}/acllib/include/$ENV{THIRDPART_PATH}/include/
+    $ENV{HOME}/ascend_ddk/arm/include/opencv4../inc/)@@ -49,7 +50,9 @@ include_directories(link_directories($ENV{INSTALL_DIR}/runtime/lib64/stub$ENV{THIRDPART_PATH}/lib/
+    $ENV{HOME}/ascend_ddk/arm/lib64$ENV{INSTALL_DIR}/driver
+    /usr/local/ffmpeg/lib)add_executable(main
[root@localhost YOLOV3_coco_detection_picture_DVPP_with_AIPP]# git diff src/sample_process.cpp
diff --git a/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/sample_process.cpp b/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/sample_process.cpp
index 8c0512c9d..96f52fa3a 100644
--- a/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/sample_process.cpp
+++ b/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/src/sample_process.cpp
@@ -200,7 +200,8 @@ const aclmdlDataset* inferenceOutput, uint32_t idx) {void SampleProcess::DrawBoundBoxToImage(vector<BBox>& detectionResults,const string& origImagePath) {
-    cv::Mat image = cv::imread(origImagePath, CV_LOAD_IMAGE_UNCHANGED);
+    //cv::Mat image = cv::imread(origImagePath, CV_LOAD_IMAGE_UNCHANGED);
+    cv::Mat image = cv::imread(origImagePath, cv::IMREAD_UNCHANGED);for (int i = 0; i < detectionResults.size(); ++i) {cv::Point p1, p2;p1.x = detectionResults[i].rect.ltX;

执行以下命令，执行编译脚本，开始样例编译。

cd $HOME/samples/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/scripts
bash sample_build.sh
3.2.4. 样例运行

数据准备

cd $HOME/samples/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP
mkdir data

自行下载测试图片，我们提供一个测试图片测试图片，然后将图片上传到$HOME/samples/cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture_DVPP_with_AIPP/data目录

执行运行脚本，开始样例运行。

bash sample_run.sh
3.2.5. 查看结果

运行完成后，会在运行环境的命令行中打印出推理结果。

[INFO]  model execute success, modelId is 1
[INFO]  destroy model input success
353 190 377 211 person83%
530 195 540 220 person68%
469 193 479 216 person58%
336 192 349 209 person55%
223 217 340 345 train99%
[INFO]  unload model success, modelId is 1
[INFO]  destroy model description success
[INFO]  destroy model output success

3.3. 图片分类：googlenet_imagenet_picture样例

功能：使用googlenet模型对输入图片进行分类推理。

样例输入：待推理的jpg图片。

样例输出：推理后的jpg图片。

3.3.1. 前提条件

部署此Sample前，需要准备好以下环境：

  • 请确认已按照2.2和acllite编译安装准备好环境。

  • 已完成对应产品的开发环境和运行环境安装。

3.3.2. 模型转换
模型名称模型说明模型下载路径
googlenet图片分类推理模型。是基于Caffe的GoogLeNet模型。请参考https://gitee.com/ascend/ModelZoo-TensorFlow/tree/master/TensorFlow/contrib/cv/googlenet/ATC_googlenet_caffe_AE目录中README.md下载原始模型章节下载模型和权重文件。
# 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。也可以参照上表在modelzoo中下载并手工转换，以了解更多细节。cd ${HOME}/samples/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.caffemodel
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.prototxt
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/googlenet_imagenet_picture/insert_op.cfg
atc --model="./googlenet.prototxt" --weight="./googlenet.caffemodel" --framework=0 --output="googlenet" --soc_version=Ascend310P1 --insert_op_conf=./insert_op.cfg --input_shape="data:1,3,224,224" --input_format=NCHW
```
3.3.3. 样例编译

根据以下diff修改对应的文件

[root@localhost googlenet_imagenet_picture]# git diff src/CMakeLists.txt
diff --git a/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/CMakeLists.txt b/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/CMakeLists.txt
index 42b59d33e..79a50c419 100755
--- a/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/CMakeLists.txt
+++ b/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/CMakeLists.txt
@@ -39,6 +39,7 @@ endif()include_directories($ENV{THIRDPART_PATH}/include/$ENV{INSTALL_DIR}/acllib/include/
+    $ENV{HOME}/ascend_ddk/arm/include/opencv4/^M../inc/)@@ -51,6 +52,8 @@ link_directories($ENV{THIRDPART_PATH}/lib/$ENV{INSTALL_DIR}/runtime/lib64/stub$ENV{INSTALL_DIR}/driver
+    $ENV{HOME}/ascend_ddk/arm/lib64^M
+    /usr/local/ffmpeg/lib^M)add_executable(main
@@ -61,4 +64,4 @@ add_executable(maintarget_link_libraries(mainascendcl acl_dvpp stdc++ ${COMMON_DEPEND_LIB} opencv_highgui opencv_core opencv_imgproc opencv_imgcodecs opencv_calib3d opencv_features2d opencv_videoio)-install(TARGETS main DESTINATION ${CMAKE_RUNTIME_OUTPUT_DIRECTORY})
\ No newline at end of file
+install(TARGETS main DESTINATION ${CMAKE_RUNTIME_OUTPUT_DIRECTORY})^M
[root@localhost googlenet_imagenet_picture]# git diff src/classify_process.cpp
diff --git a/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/classify_process.cpp b/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/classify_process.cpp
index 58814fd13..f81a386bd 100755
--- a/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/classify_process.cpp
+++ b/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/src/classify_process.cpp
@@ -96,7 +96,7 @@ AclLiteError ClassifyProcess::Process(std::vector<std::string>& fileVec, aclrtRuAclLiteError ClassifyProcess::Preprocess(const string& imageFile) {ACLLITE_LOG_INFO("Read image %s", imageFile.c_str());
-    cv::Mat origMat = cv::imread(imageFile, CV_LOAD_IMAGE_COLOR);
+    cv::Mat origMat = cv::imread(imageFile, cv::IMREAD_COLOR);if (origMat.empty()) {ACLLITE_LOG_ERROR("Read image failed");return ACLLITE_ERROR;
@@ -171,7 +171,7 @@ AclLiteError ClassifyProcess::Postprocess(const string& origImageFile,}void ClassifyProcess::LabelClassToImage(int classIdx, const string& origImagePath) {
-    cv::Mat resultImage = cv::imread(origImagePath, CV_LOAD_IMAGE_COLOR);
+    cv::Mat resultImage = cv::imread(origImagePath, cv::IMREAD_COLOR);^M// generate colorized imageint pos = origImagePath.find_last_of("/");
@@ -212,4 +212,4 @@ void ClassifyProcess::DestroyResource()isReleased_ = true;}-}
\ No newline at end of file
+}

执行以下命令，执行编译脚本，开始样例编译。

cd $HOME/samples/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_picture/scripts
bash sample_build.sh
3.3.4. 样例运行

执行运行脚本，开始样例运行。

bash sample_run.sh
3.3.5. 查看结果

运行完成后，会在运行环境的命令行中打印出推理结果,并在$HOME/googlenet_imagenet_picture/out/output目录下生成推理后的图片。

[INFO]  Resize image ../data/rabbit.jpg
[INFO]  top 1: index[331] value[0.674316]
[INFO]  top 2: index[332] value[0.296875]
[INFO]  top 3: index[330] value[0.013885]
[INFO]  top 4: index[203] value[0.002548]
[INFO]  top 5: index[29] value[0.002089]
[INFO]  Classification Excute Inference success
[INFO]  Execute sample finish
[INFO]  Unload model ../model/googlenet.om success
[INFO]  destroy context ok

4. 运行Python Demo样例

4.1. 编译依赖

4.1.1. 前置条件

请检查以下条件要求是否满足，如不满足请按照备注进行相应处理。如果CANN版本升级，请同步检查第三方依赖是否需要重新安装（5.0.4及以上版本第三方依赖和5.0.4以下版本有差异，需要重新安装）。

条件要求备注
CANN版本>=5.0.4请参考CANN样例仓介绍中的安装步骤完成CANN安装，如果CANN低于要求版本请根据版本说明切换samples仓到对应CANN版本
硬件要求Atlas200DK/Atlas300(ai1s)当前已在Atlas200DK和Atlas300测试通过，产品说明请参考硬件平台 ，其他产品可能需要另做适配
第三方依赖python-acllite请参考第三方依赖安装指导（python样例）选择需要的依赖完成安装
4.1.2. 样例准备

  1. 获取源码包。

    可以使用以下两种方式下载，请选择其中一种进行源码准备。

    • 命令行方式下载（下载时间较长，但步骤简单）。

      # 开发环境，非root用户命令行中执行以下命令下载源码仓。
cd ${HOME}
git clone https://gitee.com/ascend/samples.git

    • 压缩包方式下载（下载时间较短，但步骤稍微复杂）。
      注：如果需要下载其它版本代码，请先请根据前置条件说明进行samples仓分支切换。

       # 1. samples仓右上角选择 【克隆/下载】 下拉框并选择 【下载ZIP】。# 2. 将ZIP包上传到开发环境中的普通用户家目录中，【例如：${HOME}/ascend-samples-master.zip】。# 3. 开发环境中，执行以下命令，解压zip包。cd ${HOME}unzip ascend-samples-master.zip

4.2. YOLOV3_coco_detection_picture样例

功能：使用yolov3模型对输入图片进行预测推理，并将结果打印到输出图片上。
样例输入：原始图片jpg文件。
样例输出：带推理结果的jpg文件。

4.2.1. 前提条件

部署此Sample前，需要准备好以下环境：

  • 请确认已按照2.1准备好环境。

  • 已完成对应产品的开发环境和运行环境安装。

4.2.2. 模型转换
模型名称模型说明模型下载路径
yolov3基于Caffe-YOLOV3的目标检测模型。https://gitee.com/ascend/ModelZoo-TensorFlow/tree/master/TensorFlow/contrib/cv/yolov3/ATC_yolov3_caffe_AE目录中README.md下载原始模型章节下载模型和权重文件。
# 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。也可以参照上表在modelzoo中下载并手工转换，以了解更多细节。
cd ${HOME}/samples/python/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture/model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/yolov3.caffemodel
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/yolov3.prototxt
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/Yolov3/aipp_nv12.cfg
atc --model=yolov3.prototxt --weight=yolov3.caffemodel --framework=0 --output=yolov3_yuv --soc_version=Ascend310 --insert_op_conf=aipp_nv12.cfg
4.2.3. 样例运行
  1. 获取样例需要的测试图片。
执行以下命令，进入样例的data文件夹中，下载对应的测试图片。
cd $HOME/samples/python/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_picture/data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/YOLOV3_coco_detection_picture/dog1_1024_683.jpg
cd ../src
  1. 运行样例。
python3 object_detect.py ../data/
4.2.4. 查看结果
post process
[[         1 1425036528 1425036528 1425036528 1425036528 14250365281425036528 1425036528]]
box num  1[[ 55.25    ][ 60.125   ][375.      ][236.      ][  0.984375][ 16.      ]]
images:../data/dog1_1024_683.jpg
======== inference results: =============dog: class  16, box  136  148  923  580, score  0.984375

运行完成后，会在样例工程的out/output目录下生成推理后的图片，显示对比结果如下所示。
在这里插入图片描述

这篇关于AES200设备AI Samples 测试文档的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/351194。

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
AI绘图怎么变现？想做点副业的小白必看！

AI绘图怎么变现？想做点副业的小白必看！

在科技飞速发展的今天，AI绘图作为一种新兴技术，不仅改变了艺术创作的方式，也为创作者提供了多种变现途径。本文将详细探讨几种常见的AI绘图变现方式，帮助创作者更好地利用这一技术实现经济收益。 更多实操教程和AI绘画工具，可以扫描下方，免费获取 定制服务：个性化的创意商机 个性化定制 AI绘图技术能够根据用户需求生成个性化的头像、壁纸、插画等作品。例如，姓氏头像在电商平台上非常受欢迎，
阅读更多...
性能测试介绍

性能测试介绍

性能测试是一种测试方法，旨在评估系统、应用程序或组件在现实场景中的性能表现和可靠性。它通常用于衡量系统在不同负载条件下的响应时间、吞吐量、资源利用率、稳定性和可扩展性等关键指标。 为什么要进行性能测试 通过性能测试，可以确定系统是否能够满足预期的性能要求，找出性能瓶颈和潜在的问题，并进行优化和调整。 发现性能瓶颈：性能测试可以帮助发现系统的性能瓶颈，即系统在高负载或高并发情况下可能出现的问题
阅读更多...
从去中心化到智能化：Web3如何与AI共同塑造数字生态

从去中心化到智能化：Web3如何与AI共同塑造数字生态

在数字时代的演进中，Web3和人工智能（AI）正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术，正相互交织，共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界，并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展，它基于去中心化的区块链技术，旨在创建一个开放、透明且用户主导的数字生态。不同于传统
阅读更多...
字节面试 | 如何测试RocketMQ、RocketMQ？

字节面试 | 如何测试RocketMQ、RocketMQ？

字节面试：RocketMQ是怎么测试的呢？ 答： 首先保证消息的消费正确、设计逆向用例，在验证消息内容为空等情况时的消费正确性； 推送大批量MQ，通过Admin控制台查看MQ消费的情况，是否出现消费假死、TPS是否正常等等问题。（上述都是临场发挥，但是RocketMQ真正的测试点，还真的需要探讨） 01 先了解RocketMQ 作为测试也是要简单了解RocketMQ。简单来说，就是一个分
阅读更多...
AI一键生成 PPT

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人，是不是经常需要制作各种PPT来分享我的生活和想法。但是，你们知道，有时候灵感来了，时间却不够用了！😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手！🌟 什么是Kimi？ 一款月之暗面科技有限公司开发的AI办公工具，帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师，Kimi都能够为你的办公文
阅读更多...
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人，AI大神Andrej Karpathy，曾是OpenAI联合创始人之一，特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ，宣布将长期致力于AI原生教育。 近日，Andrej Karpathy接受了No Priors（投资博客）的采访，与硅谷知名投资人 Sara Guo 和 Elad G
阅读更多...
活用c4d官方开发文档查询代码

活用c4d官方开发文档查询代码

当你问AI助手比如豆包，如何用python禁止掉xpresso标签时候，它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来
阅读更多...
【测试】输入正确用户名和密码，点击登录没有响应的可能性原因

【测试】输入正确用户名和密码，点击登录没有响应的可能性原因

目录 一、前端问题 1. 界面交互问题 2. 输入数据校验问题 二、网络问题 1. 网络连接中断 2. 代理设置问题 三、后端问题 1. 服务器故障 2. 数据库问题 3. 权限问题： 四、其他问题 1. 缓存问题 2. 第三方服务问题 3. 配置问题 一、前端问题 1. 界面交互问题 登录按钮的点击事件未正确绑定，导致点击后无法触发登录操作。 页面可能存在
阅读更多...
业务中14个需要进行A/B测试的时刻[信息图]

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中，我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试，如何有效地规划和启动测试，如何评估测试是否成功，您应该关注哪些指标，多年来我们发现的常见错误等等。 什么是A/B测试？ A/B测试（有时称为“分割测试”）是一种实验类型，其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体，以查看哪一种效果最好。 本质上，A/B测
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2