本文主要是介绍基于昇腾AI 使用AscendCL实现垃圾分类和视频物体分类应用，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！
现如今，人工智能迅猛发展，AI赋能产业发展的速度正在加快，“AI+”的需求蜂拥而来，但AI应用快速落地的过程中仍存在很大的挑战：向下需要适配的硬件，向上需要完善的技术支持，两者缺一不可。
基于此，昇腾推出了系列化行业SDK和参考设计，通过把千行百业细分场景的开发经验和行业知识沉淀下来、水平复制，从而大幅度降低门槛、简化开发、提升效率。而信迈科技是昇腾重要的APN合作伙伴、金牌分销商，具有较强的自主设计硬件能力，双方紧密携手，打造软硬结合、更符合行业需求的算力底座，赋能产业快速、低成本数字化转型。
使用AscendCL快速实现垃圾分类和视频物体分类应用的案例，帮助开发者降低学习成本、简化开发流程，缩短项目周期！
案例概述
①垃圾分类应用：基于AscendCL，使用实现对图片中的垃圾类别进行检测，并输出有检测类别的图片；
②视频物体分类应用：基于GoogLeNet分类网络，使用实现对视频帧中的物体进行识别分类，并将分类的结果展示在PC网页上。
案例说明
本案例底层原理逻辑请参考华为昇腾AscendCL <垃圾分类>，和<视频物体分类>案例。
前置条件
基于实现垃圾分类应用
1
环境安装
注意事项：
➢以下操作以普通用户HwHiAiUser安装CANN包为例说明，推荐使用root用户进行操作，如果是root用户，请将安装准备中所有的${HOME}修改为/usr/local。
➢推荐按照本文档路径进行操作，如安装在自定义路径可能会导致环境冲突等问题
1、配置相关环境
# 以安装用户在任意目录下执行以下命令，打开.bashrc文件。vi ~/.bashrc# 在文件最后一行后面添加如下内容。source ${HOME}/Ascend/ascend-toolkit/set_env.shsource /home/work/MindX_SDK/mxVision-5.0.RC3/set_env.shexport CPU_ARCH=`arch`export THIRDPART_PATH=${HOME}/Ascend/thirdpart/${CPU_ARCH} #代码编译时链接samples所依赖的相关库文件export PYTHONPATH=${THIRDPART_PATH}/acllite:$PYTHONPATH #设置pythonpath为固定目录export LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH #运行时链接库文件export INSTALL_DIR=${HOME}/Ascend/ascend-toolkit/latest #CANN软件安装后的文件存储路径，根据安装目录自行修改export DDK_PATH=${HOME}/Ascend/ascend-toolkit/latest #声明CANN环境export NPU_HOST_LIB=${DDK_PATH}/runtime/lib64/stub #声明CANN环境# 执行命令保存文件并退出。:wq!# 执行命令使其立即生效。source ~/.bashrc# 创建samples相关依赖文件夹mkdir -p ${THIRDPART_PATH}# 下载源码并安装gitcd ${HOME}sudo apt-get install gitgit clone https://gitee.com/ascend/samples.git# 拷贝公共文件到samples相关依赖路径中cp -r ${HOME}/samples/common ${THIRDPART_PATH}# 拷贝media_mini等so文件以及相关头文件mkdir -p ${INSTALL_DIR}/drivercp /usr/lib64/libmedia_mini.so ${INSTALL_DIR}/driver/ #如路径中没有相关so文件，可跳过该命令cp /usr/lib64/libslog.so ${INSTALL_DIR}/driver/cp /usr/lib64/libc_sec.so ${INSTALL_DIR}/driver/cp /usr/lib64/libmmpa.so ${INSTALL_DIR}/driver/cp /usr/local/Ascend/include/peripheral_api.h ${INSTALL_DIR}/driver/ #如路径中没有相关头文件，可跳过该命令
2、安装python-acllite
# 安装ffmpeg部分依赖sudo apt-get install -y libavformat-dev libavcodec-dev libavdevice-dev libavutil-dev libswscale-dev# 安装其它依赖pip3 install --upgrade pippip3 install Cythonsudo apt-get install pkg-config libxcb-shm0-dev libxcb-xfixes0-dev# 安装avpip3 install av# 安装pillow 的依赖sudo 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PILpip3 install numpypip3 install Pillow# 将acllite目录拷贝到第三方文件夹中。后续编译依赖libmedia_mini.so，编译完成后需替换此处的acllite文件夹cp -r ${HOME}/samples/python/common/acllite ${THIRDPART_PATH}# C码库编译，本库包含Atlas200dk的板载摄像头访问接口，该接口是在C码（lib/src/目录）基础上做的python封装。cd ${HOME}/samples/python/common/acllite/lib/srcmake# 编译生成的libatalsutil.so在../atlas200dk/目录下。# 再次将acllite目录拷贝到第三方文件夹中，保证当前使用的是更新后的代码。cp -r ${HOME}/samples/python/common/acllite ${THIRDPART_PATH}
2
模型获取&转换
# 进入案例路径，samples为前置步骤中下载的案例包cd ${HOME}/samples/python/contrib/garbage_picture# 在model路径下下载原始模型wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com:443/003_Atc_Models/AE/ATC%20Model/garbage/mobilenetv2.air --no-check-certificatewget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/insert_op_yuv.cfg --no-check-certificate# 使用ATC工具进行模型转换atc --model=./mobilenetv2.air --framework=1 --output=garbage_yuv --soc_version=Ascend310B1 --insert_op_conf=./insert_op_yuv.cfg --input_shape="data:1,3,224,224" --input_format=NCHW
3
测试数据获取
# 创建并进入data文件夹cd ${HOME}/samples/python/contrib/garbage_picturemkdir datacd data# 下载图片数据wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/newspaper.jpgwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/bottle.jpgwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/dirtycloth.jpg# 进入案例运行路径cd ../src
4
运行案例
运行python代码：
# 此处的data为测试数据路径python3 classify_test.py ../data/
➢运行成功后如无报错会显示以下信息：
5
案例展示
在案例根目录out文件夹下会生成带有检测类别的图片：
基于实现视频物体分类应用
1
环境安装
注意事项：
➢以下操作以普通用户HwHiAiUser安装CANN包为例说明，推荐使用root用户进行操作，如果是root用户，请将安装准备中所有的${HOME}修改为/usr/local。
➢推荐按照本文档路径进行操作，如安装在自定义路径可能会导致环境冲突等问题。
1、配置相关环境
# 以安装用户在任意目录下执行以下命令，打开.bashrc文件。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samples所依赖的相关库文件export LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH #运行时链接库文件export INSTALL_DIR=${HOME}/Ascend/ascend-toolkit/latest #CANN软件安装后的文件存储路径，根据安装目录自行修改export DDK_PATH=${HOME}/Ascend/ascend-toolkit/latest #声明CANN环境export NPU_HOST_LIB=${DDK_PATH}/runtime/lib64/stub #声明CANN环境# 执行命令保存文件并退出。:wq!# 执行命令使其立即生效。source ~/.bashrc# 创建samples相关依赖文件夹mkdir -p ${THIRDPART_PATH}# 下载源码并安装gitcd ${HOME}sudo apt-get install gitgit clone https://gitee.com/ascend/samples.git# 拷贝公共文件到samples相关依赖路径中cp -r ${HOME}/samples/common ${THIRDPART_PATH}# 拷贝media_mini等so文件以及相关头文件mkdir -p ${INSTALL_DIR}/drivercp /usr/lib64/libmedia_mini.so ${INSTALL_DIR}/driver/ #如路径中没有相关so文件，可跳过该命令cp /usr/lib64/libslog.so ${INSTALL_DIR}/driver/cp /usr/lib64/libc_sec.so ${INSTALL_DIR}/driver/cp /usr/lib64/libmmpa.so ${INSTALL_DIR}/driver/cp /usr/local/Ascend/include/peripheral_api.h ${INSTALL_DIR}/driver/ #如路径中没有相关头文件，可跳过该命令
2、安装opencv
# 执行以下命令安装opencv （注：请确保安装的版本是3.x）sudo apt-get install libopencv-dev# 如果安装的opencv版本为4.x，请执行下列命令链接对应头文件sudo ln -s /usr/include/opencv4/opencv2 /usr/include/
3、安装protobuf&presentagent
# 安装protobuf相关依赖sudo apt-get install autoconf automake libtool# 下载protobuf源码cd ${HOME}git clone -b 3.13.x https://gitee.com/mirrors/protobufsource.git protobuf# 编译安装protobufcd protobuf./autogen.sh./configure --prefix=${THIRDPART_PATH}make cleanmake -j8sudo make install# 进入presentagent源码目录并编译cd ${HOME}/samples/cplusplus/common/presenteragent/proto${THIRDPART_PATH}/bin/protoc presenter_message.proto --cpp_out=./ #该步骤报错可参考FAQ# 开始编译presentagnetcd ..make -j8make install
2
模型转换&获取
注意事项：
➢本案例使用基于Caffe的GoogLeNet模型，获取模型的命令已提供，如果开发者需要更多模型信息可参考：
# 进入案例路径，samples为前置步骤中下载的案例包cd ${HOME}/samples/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_video/model# 在model路径下下载原始模型wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.caffemodelwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.prototxt# 在model路径下下载模型配置文件wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/googlenet_imagenet_video/insert_op.cfg# 使用ATC工具进行模型转换atc --model="./googlenet.prototxt" --weight="./googlenet.caffemodel" --framework=0 --output="googlenet" --soc_version=Ascend310B1 --insert_op_conf=./insert_op.cfg --input_shape="data:1,3,224,224" --input_format=NCHW
3
编译运行案例
1、执行编译脚本
# 进入脚本路径cd ${HOME}/samples/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_video/scripts# 赋予脚本权限chmod +x sample_build.sh# 执行编译脚本bash sample_build.sh
➢执行编译脚本后请根据实际情况选择arm/x86格式，在上进行操作请选择：arm
➢编译脚本中会自动下载相关视频素材：cat.mp4，如开发者使用其它素材，可以在sample_build.sh处删除该命令
➢编译完成后会生成相关文件并提示complete
2、执行脚本运行案例
# 赋予脚本权限chmod +x sample_run.sh# 执行运行脚本bash sample_run.sh
➢执行运行脚本后，如果有本设备有多个ip，请选择能连通外网的ip并进行输入，例：10.1.30.111
➢执行成功后，会提示successfully，并提供相关的网页链接
➢运行脚本默认读取cat.mp4素材，如开发者使用其它素材，可以在sample_run.sh处更改素材路径
4
案例展示
打开浏览器输入提供的网页链接与端口号，例：10.1.30.111:7007
➢进入下图界面后，等待状态栏变为绿色，可以单击“Refresh“刷新，当有数据时相应的Channel 的Status变成绿色。
➢状态栏正常后，点击右侧的View Name下的名字 ，例：classify
➢进入视频物体分类界面后，会在视频左上角显示检测的物体类别，视频上方显示视频帧率，开发者可进行截图、录像等功能。
5
相关FAQ
1、安装protobuf&presentagent时执行${THIRDPART_PATH}/bin/protoc presenter_message.proto --cpp_out=./
报错：protoc not such file or directory
➢该报错可能是protobuf安装问题：
# 回到protobuf安装路径cd /usr/local/probuf# 再次执行make installmake install# 查看${THIRDPART_PATH}/bin/下是否有protoc2、执行编译脚本时报错如下图：
➢该报错可能是opencv版本问题：
# 进入报错代码vi ../src/classify_process.cpp# 修改报错代码第279行（请根据实际代码行数修改）修改成：cv::IMWRITE_JPEG_QUALITY# 执行命令保存文件并退出:wq!# 重新执行编译脚本bash sample_build.sh
这篇关于基于昇腾AI 使用AscendCL实现垃圾分类和视频物体分类应用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！
