Mlir环境配置以及yolov5模型转换

新手小白记录一下使用算能SE5盒子，在x86主机上配置环境的过程。

官方文档为（2024.1.23版）：1. TPU-MLIR简介 — TPU-MLIR 1.6.215 文档 (sophgo.com)https://doc.sophgo.com/sdk-docs/v23.09.01-lts/docs_latest_release/docs/tpu-mlir/quick_start/html/01_introduction.html

一、开发环境：

一台安装了Ubuntu16.04/18.04/20.04的x86主机，运行内存建议12GB以上，以下操作全部是在x86主机上完成。

我自己的系统为ubuntu20.04

1、准备工作

• 新建一个文件夹用来安装需要的环境，以免和其他的弄混。
• 右击文件夹在终端打开

2、环境配置

（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，这里我选择第二种方式，先下载安装包，在使用pip安装，这里可以先跳转到下面的第e步，使用ls命令查看镜像里面该文件是否存在，如果存在就直接pip安装即可，如果没有的话，可以参考下面的步骤（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：

• a、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，此时有两个终端同时进行。
• b、右击安装包，直接点复制，可以复制文件的绝对地址。
• c、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

• d、回到安装mlir的终端：

•  e、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，先在workspace里面使用ls命令查看文件是否存在，若不存在，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

转换成功。

（4）mlir量化int8：

通过calibration得到转换int8时的校准表：

run_calibration yolov5s.mlir \
    --dataset ../COCO2017 \
    --input_num 100 \
    -o yolov5s_cali_table

运行完成后会生成名为 yolov5s_cali_table 的文件

转成INT8对称量化模型：

model_deploy \
    --mlir yolov5s.mlir \
    --quantize INT8 \
    --calibration_table yolov5s_cali_table \
    --processor bm1684x \
    --test_input yolov5s_in_f32.npz \
    --test_reference yolov5s_top_outputs.npz \
    --tolerance 0.85,0.45 \
    --model yolov5s_1684x_int8_sym.bmodel

转换成功！

（5）使用模型进行推理：

• 命令如下：

onnx：

detect_yolov5 \
    --input ../image/dog.jpg \
    --model ../yolov5s.onnx \
    --output dog_onnx.jpg

f16 bmodel：

detect_yolov5 \
    --input ../image/dog.jpg \
    --model yolov5s_1684x_f16.bmodel \
    --output dog_f16.jpg

int8 bmodel：

detect_yolov5 \
    --input ../image/dog.jpg \
    --model yolov5s_1684x_int8_sym.bmodel \
    --output dog_int8_sym.jpg

推理完成的图片都保存在model_yolov5s下的workspace里面。