【CANN训练营0基础赢满分秘籍】 应用开发深入讲解→端到端案例

1 样例调试

1.1 日志文件

运行应用程序后，若出现报错或异常，需录取日志进一步定位问题。日志文件的默认目录为$HOME/ascend/log。

• 可通过环境变量指定日志文件的落盘路径

export ASCEND_PROCESS_LOG_PATH=/$HOME/xxx

但需要确保该目录为任意有读写权限的目录。

• 可通过环境变量移目志打屏显示

export ASCEND_SLOG_PRINT_T0_STDOUT=1

如果使用打屏方式显示日志，也可以在启动应用进程时,通过输出主定向方式将白志保存到指定文件中。例如:/main > log.txt。

1.2 日志格式

1.3 接口调用逻辑问题

1.4 软件约束问题

1. 输入图片格式不支持，JPEG图片解码失败
2. 注册算子数超过最大规格，模型加载失败
3. 使用正确的输入图片格式
4. 按限制使用规定数量的算子
   

1.5 输入数据问题

1. 输入码流异常，视频解码丢帧/丢包
2. 输入图片异常，JPEG图片解码失败
3. 检查异常码流
4. 检查异常图片
   

2 端到端样例结构

2.1 开发说明

对于CV类的应用开发，一般而言都有如下几个步骤:

• 样例结构设计
  设计样例的流程编排，为后续步骤做准备。
• 原始模型及输入输出分析
  分析模型的输入输出，将模型转换为离线om模型。
• 样例编写
  根据编排好的流程及转换完成的模型进行样例的编写。
• 样例编译运行
  编写CMakeList，并进行样例编译与运行。
  本章将结合sampleResnetDVPP的样例对流程进行介绍，样例效果如下:
  

2.2 样例结构

• 模型转换:使用ATC工具将Resnet50.onnx模型转换为离线om模型。
• 资源初始化:初始化所有资源,包括DVPP初始化、模型初始化等。
• 输入数据处理:使用DVPP将数据处理到模型需要的大小。
• 模型推理:便用om模型进行推理。
• 输出数据处理:对模型推理结果进行处理，该样例是将输出前五置信度的标签进行打印。
• 资源释放:释放所有资源，包括DVPP及模型资源等。
• 数据传输:样例运行过程中进行的数据传输动作
  

3 原始模型及输入输出分析

3.1 原始模型输入分析

3.2 原始模型输出分析

3.3 数据预处理/后处理分析

为了加快图片处理速度，所以预处理需要使用DVPP，根据前面得到的输入数据信息，预处理需要经过如下步骤:

其中AIPP的操作需要在模型转换的过程中操作。预处理如图所示进行JpegD和Resize即可。
由模型输出分析可知，输出结果为1000个类别的置信度。所以数据后处理操作如下:

• 将1000个置信度信息保存下来。
• 将1000个置信度结果相加。
• 取出topk的置信度结果并除以总置信度取值〈相当于做一次softmax，将置信度归一化到[0,1]之间，且保证所有置信度相加结果为1)。
• 输出topk的标签及置信度。

4 样例编写

4.1 模型转换

分析完模型的输入输出，预处理及后处理后，接下来就要使用昇腾CANN提供的ATC工具进行模型转换了。
由前面的分析可以知道，ATC需要进行色域转换、减均值和归一化的操作。同时由于数据并未像pytorch数据处理一样，归一化到[0,1]之间，所以实际数据内容还是[0,255]的。所以AIPP整体需要进行如下处理:

• 数据需要从YUV专换成RGB格式;
• 减去的均值mean应该是[0.485255,0.456255,0.406*255];
• 除去的系数std应该是[0.229255,0.224255,0.225*255];
• 由于原本的计算公式可抽象为(data-m ean)/std，而在AIPP中计算公式可抽象为(data-m ean)std，所以系数std应该为[1/(0.229255),1/(0.224255),1/(0.225255)];
  

4.2 资源初始化

4.3 输入数据处理

4.4 模型推理与数据后处理

4.5 资源释放

5 编译运行