华为昇腾 NPU卡mindspore mindyolo目标检测推理使用、训练

已于 2024-03-15 17:27:23 修改
阅读量4.4k 收藏 7
点赞数
分类专栏： 图像CV 深度学习 文章标签： 目标检测 人工智能 计算机视觉
于 2023-11-13 16:04:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42357472/article/details/134379531
版权
本文介绍了如何使用华为昇腾NPU卡进行MindSpore MindYolo目标检测的推理和训练。在推理过程中，需要注意opencv版本问题可能导致的错误，如libGL.so.1缺失，可通过安装libgl1-mesa-glx解决。训练部分，文章提供了数据集准备、训练过程及可能遇到的问题与解决方法。同时，分享了华为OBS文件的上传和下载方法，以便在云服务器上进行模型操作。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

参考：
https://github.com/mindspore-lab/mindyolo

使用案例：
https://github.com/mindspore-lab/mindyolo/blob/master/GETTING_STARTED_CN.md
https://github.com/mindspore-lab/mindyolo/blob/master/GETTING_STARTED.md

安装：

mindspore安装(暂时看只支持python到3.9)：https://www.mindspore.cn/install/


pip install https://ms-release.obs.cn-north-4.myhuaweicloud
了解本专栏 订阅专栏 解锁全文 超级会员免费看
38、记录使用华为的ModelArts去调用npu训练yolov5模型和推理
sxj731533730
09-07 2185
下载官方源码yolov5进行测试,注意要下载到work目录下，否则下次登录，文件不复存在。基本思想：有机会使用华为ModelArts云服务，做一下尝试，逐记录一下。第一步：登录帐号，查看一下服务配置。
华为昇腾NPU卡 大模型LLM ChatGLM2模型推理使用
weixin_42357472的博客
10-23 4230
参考：https://gitee.com/mindspore/mindformers/blob/dev/docs/model_cards/glm2.md#chatglm2-6b安装环境：昇腾NPU卡对应英伟达GPU卡，CANN对应CUDA底层；mindspore对应pytorch；
MindYOLO：基于MindSpore的YOLO系列算法实现
gitblog_00354的博客
09-14 1601
MindYOLO：基于MindSpore的YOLO系列算法实现 项目地址:https://gitcode.com/gh_mirrors/mi/mindyolo 项目介绍 MindYOLO 是一个基于 MindSpore 框架实现的 YOLO 系列算法开源项目。它不仅提供了对当前最先进的 YOLO 系列算法的支持，还通过 MindSpore 的高效计算能力，使得这些算法在各种硬件平台上都能获得卓越的...
YOLOv5配置训练以及华为昇腾910B推理
最新发布
随缘不强求，反正也求不来
04-01 764
将转换好的om模型复制到文件夹中；--soc_version这个参数一定要通过查看npu-smi info来看，一定要一模一样，不能忽略后面的数字。这是我的镜像：model_convert_cann7.0_aarch64_910b_py310:v6.0。模型训练完成后，将runs/exp/weights下的模型（best.pt）复制在yolov5文件夹下。由于环境未配置，哪怕我们安装了CANN包也无法使用atc命令，因此我们需要配置环境。一定要根据推理时使用的cann版本下载对应版本的包。
MindSpore应用系列：树莓派上运行YOLOv5进行实时目标检测（二）
weixin_45666880的博客
08-18 606
上面的最终修改后的代码。但是最新的mindspore已经三合一了，而且realpath 在部分系统上不是返回空，而是返回异常。上面的file_name设置的不对，应该是不带后缀的名称，如果设置如上面的一样的话，最终生成的文件是yolov5.mindir_yolov5s.mindir。上面的文档写的main.cc同目录，但是不同项目makefile写的不一样。上一篇主要介绍了YOLOv5的一些基本知识，包括网络，数据集等，本篇主要是实际运行。缺少依赖，不是所有的模块名安装也是一样的名称。
【课程作业经验】使用NPU进行MindSpore模型训练
BaldheadedM的博客
08-11 1362
具体代码可以查看ResNet: 基于MindSpore的残差网络。
利用mindspore下面mindzoo里面的yolov3-darknet53进行目标识别，模型训练不收敛
weixin_45666880的博客
07-12 744
Modelzoo中yolov3-darknet53代码（mindspore1.1源码中的modelzoo）。运行环境：mindspore-gpu1.4.1 docker，python3.7.5【操作步骤&问题现象】1、数据方面：原始数据是公开比赛数据xinye，标注标准是coco2014格式。数据的组织形式是按照yolov3-darknet53. 其中训练数据1300张，大小为960*720（width*height）.原始数据图片和标注可视化后形式如下：同时下载了darknet53.conv.74并用自
Mindspore 深度学习框架学习教程（1）——使用mindyolo进行二维码检测及定位
weixin_44112228的博客
01-29 3398
目标：在ubuntu20.04的noetic的ros环境下，利用mindyolo进行对已知大小的二维码进行识别并进行定位。环境：mindspore == 2.0.0, cuda-nvcc == 11.6, cuda-version == 11.6, cudatoolkit == 11.6, cudnn ==.8.0.0.
MindYOLO 使用教程
gitblog_01197的博客
09-14 1545
MindYOLO 使用教程 mindyolo MindSpore YOLO series toolbox and benchmark 项目地址: https://gitcode.com/gh_mirrors/mi/mindyol...
华为 Ascend 平台 YOLOv5 目标检测推理教程
qq_45141261的博客
01-17 1619
本文介绍了如何基于华为 Ascend ACL 推理框架实现 YOLOv5 模型的目标检测推理流程。通过详细解析前处理、推理核心（process 函数）和后处理，展示了 Ascend 平台的推理能力和灵活性。希望本文能为您在 Ascend 平台上的目标检测开发提供参考！如果有任何问题，欢迎留言讨论。
使用华为Ascend NPU加速LangChain：深入探讨和实践指南
ppoojjj的博客
08-22 1347
Ascend NPU是华为设计的专用AI处理器，旨在加速深度学习和机器学习任务。它具有高性能、低功耗的特点，特别适合大规模AI模型的训练和部署。本文介绍了如何在LangChain中使用华为Ascend NPU来加速嵌入计算和模型训练。Ascend NPU为AI应用提供了强大的硬件加速能力，特别适合处理大规模语言模型和复杂的NLP任务。华为Ascend官方文档LangChain文档PyTorch NPU教程。
基于mindspore的Yolo视频检测
weixin_56314292的博客
07-18 423
【代码】基于mindspore的Yolo视频检测。
Ascend NPU 硬件架构入门
AI Infra / LLM / 软件开发
08-31 4866
昇腾 NPU 是专门用于 AI 训练/推理计算的 AI 专用处理器，其中的 AI Core 能够在很大程度上提高 AI 计算的效率。本文将主要介绍 ASCEND NPU 的硬件架构 & 工作原理、AI Core 的计算模式以及异构计算平台 CANN 等内容。
mindspore-NPU单卡可以执行，多卡会报错
weixin_45666880的博客
08-17 738
建立 hccl 的 json 文件的问题，我在 8p 的机器上只希望使用 4 张卡，在构建 json 文件时就要指出，不能构建 8 卡的 json 文件，但是使用四张卡。单卡可以正常执行训练和推断，多卡训练会报错，hccl 的 json 文件和多卡的脚本都按照官方文档构建的。...
鲲鹏主机+昇腾Atlas 300I Pro+龙蜥8.6 全国产化主机使用NPU推理YoloV5环境安装全过程
gogoytgo的博客
03-28 4027
昇腾Atlas 300I Pro + 龙蜥8.6 YOLOV5推理全流程
MindSpore:npu 多卡训练自定义数据集如何给不同npu传递不同数据
weixin_45666880的博客
07-30 714
使用GeneratorDataset的时候，可以使用num_shards=num_shards,shard_id=device_id参数来控制不同卡读取哪个分片的数据，__getitem__和__len__按全量数据集处理即可。是在ds.GeneratorDataset传递num_shards=num_shards,shard_id=device_id还是自定义数据集__getitem__里面用rankid取不同数据?...
昇腾Ascend之npu-smi工具在Atlas 200 DK（Model: 3000）的简单使用
IT菜鸟
04-08 2633
昇腾Ascend之npu-smi工具的简单使用
基于mindspore的口罩检测训练与在线推理
jameschen9051的博客
03-15 5183
mindspore安装地址：https://www.mindspore.cn/install mindspore开源模型库：https://gitee.com/mindspore/models 测试平台为昇腾Atlas800训练服务器，Ubuntu18.04系统，搭载昇腾910AI加速芯片，FP16算力为320T。 数据集为VOC_MASK口罩数据集，在使用数据集之前需要对数据集文件进行转换，将voc标注文件由xml转为coco的j...
学习笔记：在华为昇腾NPU上进行深度学习项目【未完待续】
qq_19072921的博客
01-15 4697
在华为昇腾NPU上调研深度学习项目
华为升腾910b部署deepseek
02-15
### 部署 DeepSeek 至华为升腾 910B #### 准备环境 为了确保 DeepSeek 能够顺利运行于华为升腾 910B 平台上，需先安装必要的依赖库并配置好开发环境。这通常涉及到 CANN (Compute Architecture for Neural Networks) 的设置以及 Python 开发包的准备[^1]。 #### 安装 CANN 及其组件 CANN 是专门为 Atlas 系列产品设计的一套完整的软件栈，它提供了从底层驱动到高层框架的支持。对于想要利用 Ascend NPU 进行推理或训练的应用程序来说，安装最新版本的 CANN 是必不可少的第一步。通过官方文档可以获取详细的安装指南和兼容性列表。 #### 获取预编译模型或转换现有模型 如果计划直接使用已经过优化处理过的预训练模型，则可以直接下载对应格式文件；而对于自定义创建的新模型，则可能需要借助工具链完成由 TensorFlow 或 PyTorch 到 MindSpore IR 表达形式之间的迁移工作。MindConverter 工具能够帮助简化这一过程。 #### 编写应用程序接口调用代码 一旦完成了上述准备工作之后，就可以着手编写具体的业务逻辑部分了。下面给出了一段简单的 Python 示例代码用于加载已有的 .om 文件并通过 AIPP 接口执行前向传播操作： ```python from mindspore import context, Tensor import numpy as np context.set_context(device_target="Ascend", device_id=0) def load_model_and_predict(input_data_path): graph = Graph() with open('model.om', 'rb') as f: model_content = f.read() session = Session(graph) input_tensor = Tensor(np.fromfile(input_data_path, dtype=np.float32).reshape((1, 3, 224, 224))) output_tensors = session.run([input_tensor]) return output_tensors[0].asnumpy().tolist() ``` 此段脚本展示了如何初始化上下文环境、读取 OM 模型数据流、构建会话对象并向其中传入输入张量以获得预测结果的过程。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

loong_XL

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值