基于华为Atlas200DK合设环境的花卉识别

Quinton123

已于 2022-03-16 11:45:33 修改

阅读量1.1w

点赞数 7

分类专栏：华为Atlas200DK 文章标签：目标检测深度学习华为 linux

于 2022-03-05 18:14:20 首次发布

本文链接：https://blog.csdn.net/weixin_42800966/article/details/122818057

版权

华为Atlas200DK 专栏收录该内容

3 篇文章 8 订阅

订阅专栏

文章目录

前言
一、合设环境部署
二、YOLOV3花卉识别模型
三、工程部署
四、MindStudio win（可选）
五、Atlas离线推理
- 1.命令行方式
- 2.MindStudio
总结

前言

本文在上一篇文章的基础上进一步讲述案例开发部署

在这里插入图片描述

一、合设环境部署

与人脸识别demo部署相同

1.烧录dd镜像

进入昇腾论坛dd镜像帖子

建议下载最新版本，运行demo的依赖项支持CANN>=5.0.4以上的版本
如果使用MindStudio，建议烧录5.0.4版本，目前MindStudio不支持cann5.0.5

dd镜像文件较大，下载需要一些时间
下载完成后打开balenaEtcher

选择好已经下载好的dd镜像包和需要烧录的sd卡，点击Flash！，开始烧录
烧录成功

2.开发板启动

将烧录成功的sd卡插入Atlas200dk，接入电源上电，电源接口旁边的led灯亮起说明能够成功上电
四个led灯亮起，说明开发板成功启动

3.开发板连接PC机

Atlas 200 DK开发者板支持通过USB端口或者网线与PC机进行连接
Atlas 200 DK与PC机连接图：
在这里插入图片描述
需要配置好USB端口连接，才能配置网线连接

1.USB端口连接

使用套件内的黑色USB-Type-C数据线连接开发板和PC机
PC机打开设备管理器->其他设备,可以看到带有警报标志的RNDIS，右键点击RNDIS->更新驱动程序
选择“浏览我的电脑以查找驱动程序”
选择“让我从计算机上的可用驱动程序列表中选取”
向下滑动，选择“网络适配器”，然后下一页
厂商选择Microsoft，型号选择USB RNDIS6 适配器，然后下一页
出现警告，选择“是”
更新驱动程序完成
进入网络和Internet->高级网络设置->更多网络适配器选项,可以查看到USB RNDIS6 适配器
右键点击查看属性，双击ipv4协议
2
选择”使用下面的ip地址“，将ip地址更改为192.168.1.X， X为0~255除了2以外的数字，点击子网掩码填写框会自动生成子网掩码，点击确定
使用USB端口连接的默认ip为192.168.1.2，所以要将PC机网络适配器ipv4的ip地址更改为和其同个网段下
PC机打开cmd或者其它终端（这里使用的是MobaXterm），输入：

ssh HwHiAiUser@192.168.1.2

按下回车键，连接成功

如果连接需要输入密码，默认密码为Mind@123,进入root模式也是使用这个密码

2.网线连接

使用套件内的网线和USB-Type-C数据线连接开发板和PC机
使用USB端口连接进入开发板更改网络参数
如果能够使用USB端口连接PC，网线接入网口或者路由器再接入开发板的方式联网，不用配置网线连接
连接开发板，输入su，然后回车，进入root模式，密码为MInd@123，注意输入密码时页面并不会出现字符
执行cd命令进入netplan文件夹，并查看文件夹下文件

cd /etc/netplan #进入netplan文件夹
ll #查看文件夹下文件

在这里插入图片描述

使用vi命令打开网络配置文件

vi 01-netcfg.yaml

在这里插入图片描述

在网络配置文件中设置好网线连接的参数，将dhcp4设置为no，设置ip以及网关gateway4，网关可以设置为192.168.0.X，X为0~255中除了2的任何一个数字,后面步骤中也要使用这个网关配置PC端上的网络适配器，然后保存退出

network:
  version: 2
#  renderer: NetworkManager
  renderer: networkd
  ethernets:
    eth0:
      dhcp4: yes
      addresses: [192.168.0.2/24]
      gateway4: 192.168.0.100 #可以设置为192.168.0.X，X为0~255中除了2的任何一个数字
      nameservers:
              addresses: [8.8.8.8]
              addresses: [114.114.114.114]

    usb0:
      dhcp4: no
      addresses: [192.168.1.2/24]
      gateway4: 192.168.0.1
      nameservers:
              addresses: [114.114.114.11]

使用vi进入yaml文件后，按字母”i“键进入插入编辑模式，编辑完成后按”Esc“退出编辑模式，输入冒号”:"，然后输入“wq!”，回车，成功保存退出

使设置的网络参数生效，使用此命令：

netplan apply

在这里插入图片描述

进入网络和Internet->高级网络设置->更多网络适配器选项，确定好网口的网络适配器（这里已经重命名为网口驱动）
拔插USB和网线，观察哪个适配器消失，可以确定对应的网络适配器
进入ipv4设置页面，将ip地址设置为在开发板中设置的gateway4，或者设置为192.168.1.X， X为0~255除了2以外的数字，确定
如果设置为gateway4相同，便于开发板使用共享网络的方式进行联网
打开终端，输入：

ssh HwHiAiUser@192.168.0.2

成功通过网线连接Atlas200dk
在这里插入图片描述
通过网线连接成功后，可以将USB线拔掉

4.开发板联网

开发板不能联网的情况下，需要在PC中下载好相关依赖文件，再拷贝入SD卡相应位置，非常麻烦
在这里插入图片描述

1.通过网线连接网口的方式接入互联网

使用套件内的USB-Type-C数据线连接开发板和PC机，网线接入网口后连接开发板
使用USB端口连接进入开发板更改网络参数
打开终端，输入：

ssh HwHiAiUser@192.168.1.2

连接开发板
在这里插入图片描述

输入su，进入root模式，默认密码为MInd@123
执行cd命令进入netplan文件夹，并查看文件夹下文件

cd /etc/netplan #进入netplan文件夹
ll #查看文件夹下文件

在这里插入图片描述

使用vi命令打开网络配置文件

vi 01-netcfg.yaml

在这里插入图片描述

将dhcp4设置为yes，保存退出

使用vi进入yaml文件后，按字母”i“键进入插入编辑模式，编辑完成后按”Esc“退出编辑模式，输入冒号”:"，然后输入“wq!”，回车，成功保存退出
使设置的网络参数生效，使用此命令：

netplan apply

重启开发板，连接进入，ping百度测试是否联网成功

2.通过网络共享方式接入互联网

首先按照前面步骤，设置好网线连接开发板，确定对应网络适配器ipv4协议的ip地址设置为在开发板中设置的gateway4
本文在开发板中配置eth0下gateway4为192.168.0.100，所以ip地址设置为相同的192.168.0.100
打开已接入网络的WLAN或者本地连接，点击共享
选择“允许其他网路用户通过此计算机的Internet连接来连接”，选择好对应的网络适配器，确定
选择“是”
此时对应的网口驱动网络适配器会重置，回到网口驱动的属性页，再次将ipv4协议的ip地址设置为在开发板中设置的gateway4，确定
打开终端，使用USB或者网线连接的默认ip连接到开发板

ssh HwHiAiUser@192.168.0.2 #网线连接默认ip
ssh HwHiAiUser@192.168.1.2 #USB端口连接默认ip

这里使用网线连接，配置好后可以只使用网线
在这里插入图片描述

ping百度测试网络连接，开发板成功联网

ping www.baidu.com

在这里插入图片描述如果按照步骤不能连接网络，是因为网络环境变化，再次进行一次操作，首先把wifi共享关掉，这时网口驱动会重置。再次开启wifi共享给网口驱动，将分配给网口驱动的IP改成eth0 gateway4的，就联网成功了

二、YOLOV3花卉识别模型

也可以使用其他方式训练模型文件，这里使用华为官方工具ModelArts

1.ModelArts准备工作

1.注册华为云账号

注册华为云账号
进入官网，选择注册登录。
实名认证
登录后进入账号中心，选择左栏中的实名认证。
完成ModelArts全局配置
1.登录ModelArts管理控制台，在左侧导航栏选择“全局配置”，进入“全局配置”页面。

2.单击“添加授权”，进入“访问授权”页面，根据参数说明进行配置。

3.添加委托成功

2.OBS操作

创建OBS桶
OBS，即Object Storage Service，对象存储服务，是华为云提供云上数据储存的服务，在使用ModelArts之前您需要创建一个OBS桶。
登录OBS管理控制台，单击页面右上角"创建桶"按钮。
系统弹出如下图所示的对话框，根据自己所在区域选择"区域"，输入自定义的桶名称，其他选项保持默认即可，最后点击页面下方"立即创建"按钮。
新建OBS文件夹
可以在OBS桶列表中，找到创建的OBS桶并进入，然后进入对象页面，点击“新建文件夹”按钮即可新建文件夹。

2 .准备数据集

1.本地准备数据集图片

本文章需要训练花卉识别的数据，所以寻找花卉图片作为数据集。
并使用ReNamer工具对图片文件名进行有序化排列。

2.标注数据集

本文使用labelimg工具进行标注，也可以使用其他标注工具，注意格式为VOC，将标注文件和图片发在同一文件夹。
也可以上传到ModelArts进行标注

在这里插入图片描述
标注完成。

3.上传数据集

上传数据集至OBS
进入到已创建的OBS桶在这里插入图片描述

在ModelArts上创建数据集
进入ModelArts控制台，打开数据集界面

进入到创建数据集界面，填好名称和数据集输出位置，点击下一步

选择好导入路径为刚刚的数据集，右下方点击创建

回到数据管理，可以看到创建好的数据集，点击右边的发布

点击发布，一般将比例设置为0.8，花卉识别使用标注类型为物体检测，确定

3.模型训练

1.订阅算法

进入ModelArts控制台，订阅更多算法
搜索yolov3，选择第一个算法进入

在这里插入图片描述

将其选择为已订阅
回到控制台算法管理，即可看到已订阅的算法

2.训练作业

进入ModelArts管理控制台，选择左栏中的训练作业，创建训练作业
选择算法、训练输入和训练输出
根据自己的需要增加超参
如果数据集不是很大，使用免费的资源训练即可，最后点击提交
等待训练完成即可
训练完成后，可以在训练输出目录中找到pb文件

4.模型转换

需要使用atc工具将模型转换为200dk可以离线推理的om模型

将训练得到的pb文件上传至atlas200dk服务器上，并cd进入到所在文件夹
此处已将pb文件更名
执行以下命令进行模型转换

atc --input_shape="images:1,352,640,3" --input_format=NHWC --output="./flower_detection" --soc_version=Ascend310 --framework=3 --model="./flower_detection.pb"

转换完成

三、工程部署

使用官方口罩检测样例源码进行工程部署

1.第三方依赖安装（python）

1.安装准备

环境变量与第三方依赖文件

# 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}  #代码编译时链接第三方库
export PYTHONPATH=${THIRDPART_PATH}/acllite:$PYTHONPATH #设置pythonpath为固定目录
export INSTALL_DIR=${HOME}/Ascend/ascend-toolkit/latest #latest为一个软连接，注意更改为cann软件实际路径

# 执行命令保存文件并退出。
:wq!
  
# 执行命令使其立即生效。 
source ~/.bashrc
 
# 创建第三方依赖文件夹
mkdir -p ${THIRDPART_PATH}

# 拷贝公共文件到第三方依赖文件夹
cd ${HOME}     
git clone https://gitee.com/ascend/samples.git
cp -r ${HOME}/samples/common ${THIRDPART_PATH}

# 如果是200DK场景还需要执行以下命令拷贝media_mini头文件及媒体库。
mkdir -p ${INSTALL_DIR}/driver
cp /usr/lib64/libmedia_mini.so ${INSTALL_DIR}/driver
cp /usr/local/Ascend/include/peripheral_api.h  ${INSTALL_DIR}/driver

安装Archiconda

# 下载安装脚本
wget https://github.com/Archiconda/build-tools/releases/download/0.2.3/Archiconda3-0.2.3-Linux-aarch64.sh

# 将安装脚本上传至200dk运行
bash Archiconda3-0.2.3-Linux-aarch64.sh

2.安装过程

创建python3.6虚拟环境

conda create --name py36 python=3.6

请添加图片描述

安装opencv

# 说明：使用pip3.7.5安装opencv，会导致视频处理功能不可用。所以使用apt安装。
# 但apt只能安装到python3.6中，所以第三方依赖需要使用python3.6。  
# 安装pip3
sudo apt-get install python3-pip

# 安装python库
python3.6 -m pip install --upgrade pip --user -i https://mirrors.huaweicloud.com/repository/pypi/simple
python3.6 -m pip install Cython numpy tornado==5.1.0 protobuf --user -i https://mirrors.huaweicloud.com/repository/pypi/simple

# 安装python3-opencv
sudo apt-get install python3-opencv

安装python-acllite所需依赖

# 安装ffmpeg
sudo apt-get install -y libavformat-dev libavcodec-dev libavdevice-dev libavutil-dev libswscale-dev libavresample-dev

# 安装其它依赖
python3.6 -m pip install --upgrade pip
python3.6 -m pip install Cython
sudo apt-get install pkg-config libxcb-shm0-dev libxcb-xfixes0-dev

# 安装pyav
python3.6 -m pip install av==6.2.0

# 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PIL
python3.6 -m pip install numpy
python3.6 -m pip install Pillow

安装python-acllite

# python acllite库以源码方式提供，安装时将acllite目录拷贝到运行环境的第三方库目录
# 将acllite目录拷贝到第三方文件夹中。后续有变更则需要替换此处的acllite文件夹
cp -r ${HOME}/samples/python/common/acllite ${THIRDPART_PATH}

2.更改工程源码

更改工程源码以适配自己的模型

1. 进入到官方的工程源码目录并打开工程源码

# 进入到官方的工程源码目录
cd /home/HwHiAiUser/samples/python/level2_simple_inference/2_object_detection/YOLOV3_mask_detection_picture/src/
# 打开工程源码
gedit mask_detect.py

在这里插入图片描述

2.前处理代码与后处理代码

将labels后标注分类改为自己模型的标注分类
更改模型路径
更改类别个数
使用Netron打开装换好的om模型

1×352×640×3，可以得到输入宽高，并在源码对应处进行修改
后处理部分代码需要根据自己的模型进行更改，主要是对输出识别坐标以及画框的修改
本文使用的修改完的代码

import sys
sys.path.append("../../../../common")
sys.path.append("../")
import os
import numpy as np
import acl
import cv2 as cv
from PIL import Image

import constants as const
from acllite_model import AclLiteModel
from acllite_resource import AclLiteResource

labels = ["chamomile", "tulip", "rose","sunflower","dandelion"]
INPUT_DIR = '../data/'
OUTPUT_DIR = '../out/'
MODEL_PATH = "../model/flower_detection.om"
MODEL_WIDTH = 640
MODEL_HEIGHT = 352
class_num = 5
stride_list = [8, 16, 32]
anchors_1 = np.array([[10, 13], [16, 30], [33, 23]]) / stride_list[0]
anchors_2 = np.array([[30, 61], [62, 45], [59, 119]]) / stride_list[1]
anchors_3 = np.array([[116, 90], [156, 198], [163, 326]]) / stride_list[2]
anchor_list = [anchors_1, anchors_2, anchors_3]

conf_threshold = 0.2
iou_threshold = 0.3

colors = [(255, 0, 0), (0, 255, 0), (0, 0, 255), (0, 255, 255), (255, 0, 255), (255, 255, 0)]

def preprocess(img_path):
    image = Image.open(img_path)
    img_h = image.size[1]
    img_w = image.size[0]
    net_h = MODEL_HEIGHT
    net_w = MODEL_WIDTH

    scale = min(float(net_w) / float(img_w), float(net_h) / float(img_h))
    new_w = int(img_w * scale)
    new_h = int(img_h * scale)

    shift_x = (net_w - new_w) // 2
    shift_y = (net_h - new_h) // 2
    shift_x_ratio = (net_w - new_w) / 2.0 / net_w
    shift_y_ratio = (net_h - new_h) / 2.0 / net_h

    image_ = image.resize( (new_w, new_h))
    new_image = np.zeros( (net_h, net_w, 3), np.uint8)
    new_image[shift_y: new_h + shift_y, shift_x: new_w + shift_x, :] = np.array(image_)
    new_image = new_image.astype(np.float32)
    new_image = new_image / 255

    return new_image, image

def overlap(x1, x2, x3, x4):
    left = max(x1, x3)
    right = min(x2, x4)
    return right - left

def cal_iou(box, truth):
    w = overlap(box[0], box[2], truth[0], truth[2])
    h = overlap(box[1], box[3], truth[1], truth[3])
    if w <= 0 or h <= 0:
        return 0
    inter_area = w * h
    union_area = (box[2] - box[0]) * (box[3] - box[1]) + (truth[2] - truth[0]) * (truth[3] - truth[1]) - inter_area
    return inter_area * 1.0 / union_area

def apply_nms(all_boxes, thres):
    res = []
    for cls in range(class_num):
        cls_bboxes = all_boxes[cls]
        sorted_boxes = sorted(cls_bboxes, key=lambda d: d[5])[::-1]

        p = dict()
        for i in range(len(sorted_boxes)):
            if i in p:
                continue
            truth = sorted_boxes[i]
            for j in range(i + 1, len(sorted_boxes)):
                if j in p:
                    continue
                box = sorted_boxes[j]
                iou = cal_iou(box, truth)
                if iou >= thres:
                    p[j] = 1
        for i in range(len(sorted_boxes)):
            if i not in p:
                res.append(sorted_boxes[i])
    return res

def decode_bbox(conv_output, anchors, img_w, img_h, x_scale, y_scale, shift_x_ratio, shift_y_ratio):
    def _sigmoid(x):
        s = 1 / (1 + np.exp(-x))
        return s

    h, w, _ = conv_output.shape
    pred = conv_output.reshape((h * w, 3, 5 + class_num))
    pred[..., 4:] = _sigmoid(pred[..., 4:])
    pred[..., 0] = (_sigmoid(pred[..., 0]) + np.tile(range(w), (3, h)).transpose((1, 0))) / w
    pred[..., 1] = (_sigmoid(pred[..., 1]) + np.tile(np.repeat(range(h), w), (3, 1)).transpose((1, 0))) / h
    pred[..., 2] = np.exp(pred[..., 2]) * anchors[:, 0:1].transpose((1, 0)) / w
    pred[..., 3] = np.exp(pred[..., 3]) * anchors[:, 1:2].transpose((1, 0)) / h

    bbox = np.zeros((h * w, 3, 4))
    bbox[..., 0] = np.maximum((pred[..., 0] - pred[..., 2] / 2.0 - shift_x_ratio) * x_scale * img_w, 0)  # x_min
    bbox[..., 1] = np.maximum((pred[..., 1] - pred[..., 3] / 2.0 - shift_y_ratio) * y_scale * img_h, 0)  # y_min
    bbox[..., 2] = np.minimum((pred[..., 0] + pred[..., 2] / 2.0 - shift_x_ratio) * x_scale * img_w, img_w)  # x_max
    bbox[..., 3] = np.minimum((pred[..., 1] + pred[..., 3] / 2.0 - shift_y_ratio) * y_scale * img_h, img_h)  # y_max

    pred[..., :4] = bbox
    pred = pred.reshape((-1, 5 + class_num))
    pred[:, 4] = pred[:, 4] * pred[:, 5:].max(1)
    pred = pred[pred[:, 4] >= conf_threshold]
    pred[:, 5] = np.argmax(pred[:, 5:], axis=-1)

    all_boxes = [[] for ix in range(class_num)]
    for ix in range(pred.shape[0]):
        box = [int(pred[ix, iy]) for iy in range(4)]
        box.append(int(pred[ix, 5]))
        box.append(pred[ix, 4])
        all_boxes[box[4] - 1].append(box)
    
    return all_boxes

def convert_labels(label_list):
    if isinstance(label_list, np.ndarray):
        label_list = label_list.tolist()
        label_names = [labels[int(index)] for index in label_list]
    return label_names

def post_process(infer_output, origin_img):
    print("post process")
    result_return = dict()
    img_h = origin_img.size[1]
    img_w = origin_img.size[0]
    scale = min(float(MODEL_WIDTH) / float(img_w), float(MODEL_HEIGHT) / float(img_h))
    new_w = int(img_w * scale)
    new_h = int(img_h * scale)
    shift_x_ratio = (MODEL_WIDTH - new_w) / 2.0 / MODEL_WIDTH
    shift_y_ratio = (MODEL_HEIGHT - new_h) / 2.0 / MODEL_HEIGHT
    class_number = len(labels)
    num_channel = 3 * (class_number + 5)
    x_scale = MODEL_WIDTH / float(new_w)
    y_scale = MODEL_HEIGHT / float(new_h)
    all_boxes = [[] for ix in range(class_number)]
    for ix in range(3):
        pred = infer_output[2 - ix].reshape((MODEL_HEIGHT // stride_list[ix], \
        MODEL_WIDTH // stride_list[ix], num_channel))
        anchors = anchor_list[ix]
        boxes = decode_bbox(pred, anchors, img_w, img_h, x_scale, y_scale, shift_x_ratio, shift_y_ratio)
        all_boxes = [all_boxes[iy] + boxes[iy] for iy in range(class_number)]

    res = apply_nms(all_boxes, iou_threshold)
    if not res:
        result_return['detection_classes'] = []
        result_return['detection_boxes'] = []
        result_return['detection_scores'] = []
        return result_return
    else:
        new_res = np.array(res)
        picked_boxes = new_res[:, 0:4]
        picked_boxes = picked_boxes[:, [1, 0, 3, 2]]
        picked_classes = convert_labels(new_res[:, 4])
        picked_score = new_res[:, 5]
        result_return['detection_classes'] = picked_classes
        result_return['detection_boxes'] = picked_boxes.tolist()
        result_return['detection_scores'] = picked_score.tolist()
        return result_return

def main():
    if not os.path.exists(OUTPUT_DIR):
        os.mkdir(OUTPUT_DIR)
    #ACL resource initialization
    acl_resource = AclLiteResource()
    acl_resource.init()
    #load model
    model = AclLiteModel(MODEL_PATH)
    images_list = [os.path.join(INPUT_DIR, img)
                   for img in os.listdir(INPUT_DIR)
                   if os.path.splitext(img)[1] in const.IMG_EXT]
    #Read images from the data directory one by one for reasoning
    for pic in images_list:
        #read image
        bgr_img = cv.imread(pic)
        #preprocess
        data, orig = preprocess(pic)
        #Send into model inference
        result_list = model.execute([data,])    
        #Process inference results
        result_return = post_process(result_list, orig)
        print("result = ", result_return)

        for i in range(len(result_return['detection_classes'])):
            box = result_return['detection_boxes'][i]
            class_name = result_return['detection_classes'][i]
            confidence = result_return['detection_scores'][i]
            cv.rectangle(bgr_img, (int(box[1]), int(box[0])), (int(box[3]), int(box[2])), colors[i%6])
            p3 = (max(int(box[1]), 15), max(int(box[0]), 15))
            out_label = class_name            
            cv.putText(bgr_img, out_label, p3, cv.FONT_ITALIC, 0.6, colors[i % 6], 1)

        output_file = os.path.join(OUTPUT_DIR, "out_" + os.path.basename(pic))
        print("output:%s" % output_file)
        cv.imwrite(output_file, bgr_img)
        
    print("Execute end")

if __name__ == '__main__':
    main()

本文使用的模型：
链接：https://pan.baidu.com/s/1sFvODQjQDnSIz6r7xZF0NA
提取码：jezq
由于数据集过少，模型精度不高，本文只为打通流程

四、MindStudio win（可选）

将MindStudio安装在Windows服务器上时，Windows服务器为本地环境，Linux服务器为远端环境
当然也可以使用vscode、clion、pycharm等ide进行远程开发
使用ide只是为了便于调试开发，可以跳过
在这里插入图片描述

1.依赖需要

以下可以前往对应官网下载安装

Python3.7.5
MinGW
CMake

2.win端下载工程源码

git clone https://gitee.com/ascend/samples.git

在这里插入图片描述

3.准备软件

注意MindStudio版本，为了能顺利安装依赖，建议选择3.0.4版本
在Windows上下载软件包

wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/MindStudio/MindStudio%203.0.4/MindStudio_3.0.4_win.exe

在这里插入图片描述

运行安装
勾选添加环境变量
安装完成
下载jbr

wget https://cache-redirector.jetbrains.com/intellij-jbr/jbr_dcevm-11_0_10-windows-x64-b1341.35.tar.gz

解压jbr，放入MindStudio根目录
请添加图片描述

进入bin文件夹，运行MindStudio64.exe

4.依赖配置

打开后选择不导入设置，然后选择OK
进入此页面，open打开工程
cann包安装
选择OK

install

连接200dk

选择200dk中的cann
进入工程
配置SDK

选择增加python SDK

添加200dk中的SDK，选择conda虚拟环境中的python

添加完成
运行程序选择SDK

5.部署工程

更改源码
在MindStudio中打开源码，更改源码可以参照上文
将图片和模型放入对应的文件夹

五、Atlas离线推理

1.命令行方式

将需要进行识别的图片上传至工程data目录
运行程序
进入到源码目录

# 进入到python3，6虚拟环境
conda activate py36
#   
python3.6 mask_detect.py

在这里插入图片描述

识别成功的输出图像保存在out目录下
由于数据集过少，模型精度不高，从而识别不准确

2.MindStudio

部署好之后，点击运行
运行成功
将远程工程同步到本地
识别成功的输出图像保存在out目录下
由于数据集过少，模型精度不高，从而识别不准确

总结

Quinton123

关注

7
点赞
踩
41

收藏

觉得还不错? 一键收藏
打赏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录