Mlir环境配置以及yolov5模型转换_sophon文档mlir

最新推荐文章于 2024-08-09 10:59:33 发布

2401_83947255

最新推荐文章于 2024-08-09 10:59:33 发布

阅读量352

点赞数 5

文章标签：运维 linux 面试

本文链接：https://blog.csdn.net/2401_83947255/article/details/138968359

版权

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前在阿里

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上运维知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化的资料的朋友，可以点击这里获取！

（1）安装官方docker

由于官方文档中表明需要ubuntu 22.04，我此时不满足这个要求，所以需要拉取SOPHON的docker镜像，他们的docker镜像里面环境都是配置好的。

如果之前在系统里面从来没有安装使用过docker，需要先安装docker，即在终端一次输入以下命令：

sudo apt install docker.io
sudo systemctl start docker
sudo systemctl enable docker
sudo groupadd docker
sudo usermod -aG docker $USER
newgrp docker

安装完docker之后，再拉取镜像

docker pull sophgo/tpuc_dev:v3.2

然后新建一个容器：

docker run --privileged --name myname -v $PWD:/workspace -it sophgo/tpuc_dev:v3.2

这里的myname可以自行修改，这里为了方便，我没有修改。

此时处于workspace状态，下面的操作也都是在workspace里面进行。

（2）安装tpu_mlir

根据官方文档，安装tpu_mlir有两种方式，如下图：

直接线上下载安装会比较慢，这里我选择第一种方式，先下载安装包，在使用pip安装。这里需要先把下载下来的安装包拷到docker里面去，由于第一次使用docker，命令不熟悉，所以过程比较笨拙。具体过程如下：

首先用之前右击tpu_mlir的方式重新打开一个终端，注意，安装mlir的那个终端不要关闭，此时又两个终端同时进行。
右击安装包，直接点复制，可以复制文件的绝对地址。
将其复制到镜像中，命令为

docker cp 文件地址 myname(容器名称):/要复制到的地址

我的命令为：

docker cp /home/ly/tpu_mlir/tpu_mlir-1.6-py3-none-any.whl myname:/workspace/tpu_mlir-1.6-py3-none-any.whl

回到安装mlir的终端：

使用ls命令查看镜像里面是否有安装包，然后使用pip install 命令安装：

至此环境安装成功。

3、ONNX模型编译和转换

（1）准备好文件

下载文件：

yolov5s.onnx : https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.onnx

tpu_mlir_resource : https://github.com/sophgo/tpu-mlir/releases/

这里注意，下载下来的文档名字是tpu-mlir-resource.tar，解压之后需要修改名称，中间的连接符修改为下划线：tpu_mlir_resource。和前面的操作相同，打开一个终端进行复制

文件复制

和上面的操作相同，重新打开一个终端进行复制操作。

回到安装的终端

先安装一下tpu_mlir[onnx]，这一步忘了截屏，直接就是在workspace里面输入下面命令就可以了。

pip install tpu_mlir[onnx]

在docker中，新建文件夹model_yolov5s用于存放相关文件以及进行转换操作，并进入文件夹

mkdir model_yolov5s && cd model_yolov5s

将图片和模型复制到model_yolov5s文件夹中：

cp -rf tpu_mlir_resource/dataset/COCO2017 .

如果这里和我一样报错的话，需要先退出model_yolov5s文件夹，命令为： cd …

然后进行复制：

cp -rf yolov5s.onnx ./model_yolov5s
cp -rf tpu_mlir_resource/image ./model_yolov5s
cp -rf tpu_mlir_resource/dataset/COCO2017 ./model_yolov5s

注意：这里也可以先新建model_yolov5s文件夹，直接从本地使用docker cp命令到 model_yolov5s文件夹文件夹中。

新建workspace文件并进入：

mkdir workspace && cd workspace

（2）onnx模型转换成mlir模型

model_transform \
    --model_name yolov5s \
    --model_def ../yolov5s.onnx \
    --input_shapes [[1,3,640,640]] \
    --mean 0.0,0.0,0.0 \
    --scale 0.0039216,0.0039216,0.0039216 \
    --keep_aspect_ratio \
    --pixel_format rgb \
    --output_names 350,498,646 \
    --test_input ../image/dog.jpg \
    --test_result yolov5s_top_outputs.npz \
    --mlir yolov5s.mlir

转换成功！转换成功之后会生成一个{model_name}_in_f32.npz文件。

（3）将mlir文件转换成f16的bmodel：

model_deploy \
    --mlir yolov5s.mlir \
    --quantize F16 \
    --processor bm1684x \
    --test_input yolov5s_in_f32.npz \
    --test_reference yolov5s_top_outputs.npz \
    --model yolov5s_1684x_f16.bmodel