本文主要是介绍【CANN训练营】目标检测（YoloV5s）实践(Python实现），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！
样例介绍
使用多路离线视频流（* .mp4）作为应用程序的输入，基于YoloV5s模型对输入视频中的物体做实时检测，将推理结果信息使用imshow方式显示。 样例代码逻辑如下所示：
环境信息
CPU：Intel® Xeon® Gold 6348 CPU @ 2.60GHz
内存：64GiB
NPU：HUAWEI Ascend 310P / 1 * 24G
+--------------------------------------------------------------------------------------------------------+
| npu-smi 22.0.4 Version: 22.0.4 |
+-------------------------------+-----------------+------------------------------------------------------+
| NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) |
| Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) |
+===============================+=================+======================================================+
| 13 310P3 | OK | NA 72 0 / 0 |
| 0 0 | 0000:00:0D.0 | 0 1806 / 21527 |
+===============================+=================+======================================================+安装CANN ToolKit
下载
wget 'https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Milan-ASL/Milan-ASL%20V100R001C17SPC702/Ascend-cann-toolkit_8.0.RC1.alpha002_linux-x86_64.run?response-content-type=application/octet-stream' -O Ascend-cann-toolkit_8.0.RC1.alpha002_linux-x86_64.run
安装CANN
bash Ascend-cann-toolkit_8.0.RC1.alpha002_linux-x86_64.run --full
修改环境变量
vim ~/.bashrc
添加如下内容后保存
source /usr/local/Ascend/ascend-toolkit/set_env.sh
激活环境变量
source ~/.bashrc
配置程序编译依赖的头文件与库文件路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
安装opencv
apt install libopencv-dev
ACLLite安装
设置环境变量
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
export THIRDPART_PATH=${DDK_PATH}/thirdpart
export PYTHONPATH=${THIRDPART_PATH}/python:$PYTHONPATH
创建THIRDPART_PATH路径
mkdir -p ${THIRDPART_PATH}
运行环境安装python-acllite所需依赖
# 安装ffmpeg
apt-get install -y libavformat-dev libavcodec-dev libavdevice-dev libavutil-dev libswscale-dev libavresample-dev
# 安装其它依赖
python3 -m pip install --upgrade pip
python3 -m pip install Cython
apt-get install pkg-config libxcb-shm0-dev libxcb-xfixes0-dev
# 安装pyav
python3 -m pip install av==6.2.0
# 安装pillow 的依赖
apt-get install libtiff5-dev libjpeg8-dev zlib1g-dev libfreetype6-dev liblcms2-dev libwebp-dev tcl8.6-dev tk8.6-dev python-tk
# 安装numpy和PIL
python3 -m pip install numpy
python3 -m pip install Pillow
将acllite目录拷贝到运行环境的第三方库目录
cp -r ${HOME}/ACLLite/python ${THIRDPART_PATH}
运行样例
克隆代码仓
cd ~
git clone https://gitee.com/ascend/EdgeAndRobotics
进入项目文件夹
cd EdgeAndRobotics/Samples/YOLOV5MultiInput/python
获取PyTorch框架的YoloV5s模型（* .onnx），并转换为昇腾AI处理器能识别的模型（* .om）
注：设备内存小于8G时，可设置如下两个环境变量减少atc模型转换过程中使用的进程数，减小内存占用，如果大于可以不执行
export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1
原始模型下载及模型转换命令
cd model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/yolov5s_nms.onnx --no-check-certificate
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/aipp_rgb.cfg --no-check-certificate
atc --model=yolov5s_nms.onnx --framework=5 --output=yolov5s_rgb --input_shape="images:1,3,640,640;img_info:1,4" --soc_version=Ascend310P3 --insert_op_conf=aipp_rgb.cfg
atc命令中各参数的解释如下，
- model：YoloV5s网络的模型文件的路径。
- framework：原始框架类型。5表示ONNX。
- output：om模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。
- input_shape：模型输入数据的shape。
- soc_version：昇腾AI处理器的版本。
soc_version可以通过命令npu-smi info进行查看，查看芯片型号前加上Ascend字样
准备测试视频
d ../data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/test.mp4 --no-check-certificate
运行
bash sample_run.sh
运行结果
results: label:cup:0.93 label:apple:0.93 label:dining table:0.45
这篇关于【CANN训练营】目标检测（YoloV5s）实践(Python实现）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！
