本文详述了使用MindStudio开发工具进行PaddleOCR的ch_ppocr_mobile_v2.0_cls模型离线推理的完整流程，包括工程创建、代码获取、模型转换和离线推理。首先介绍了MindStudio的功能和工程创建步骤，接着讲解如何获取和配置代码，通过模型转换工具将模型转为ONNX和OM格式，最后展示了数据预处理、模型推理及结果展示的过程。
目录
一、项目及模型介绍
本文主要介绍使用 MindStudio 开发工具进行中文文本方向分类模型 ch_ppocr_mobile_v2.0_cls 离线推理的开发过程，完成图像文本方向分类，主要内容包括环境安装配置、模型获取转换以及离线推理三个部分。
文本方向分类器ch_ppocr_mobile_v2.0_cls主要用于图片非0度的场景下，在这种场景下需要对图片里检测到的文本行进行一个转正的操作。在 PaddleOCR 系统内，文字检测之后得到的文本行图片经过仿射变换之后送入识别模型，此时只需要对文字进行一个 0 和 180 度的角度分类，因此 PaddleOCR 内置的文本方向分类器只支持了 0 和 180 度的分类。更多关于模型介绍可以参考如下链接：
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_ch/angle_class.md
二、MindStudio 工程创建
2.1 MindStudio 介绍
MindStudio 是一套基于华为自研昇腾 AI 处理器开发的 AI 全栈开发工具平台，集成了工程管理、编译器、仿真器以及命令行开发工具包，提供网络模型移植、应用开发、推理运行及自定义算子开发等功能。通过 MindStudio 能够进行工程管理、编译、调试、运行、性能分析等全流程开发，支持仿真环境及真实芯片运行，提高开发效率。MindStudio 功能架构如下图所示，集成开发环境功能包括工程管理、编译、运行、模型转换、应用开发、精度对、自定义算子、性能分析、仿真器、Debug、CANN-Toolkit 等功能。
可以通过MindStudio官网获取安装包，如下图所示，另外也可以查看MindStudio的详细介绍，官网链接为：
https://www.hiascend.com/software/mindstudio
本文下载的版本为MindStudio_5.0.RC3_win.exe，安装方式参考用户手册中的安装指南部分，如下图所示，用户手册链接为：
https://www.hiascend.com/document/detail/zh/mindstudio/50RC3/progressiveknowledge/index.html
2.2 创建模板工程
如下图所示，首次打开MindStudio提示是否导入配置，默认不导入，点击OK。
如下图所示，通过Customize选项设置颜色主题，可以将颜色设置成白色。
如下图所示，通过Projects选择创建工程，点击New Project。
如下图所示，选择Ascend App工程，点击Change。
如下图所示，点击+号图标。
如下图所示，点击+号图标添加配置，输入远程服务器信息，点击OK。
如下图所示，点击文件夹图标，选择CANN安装路径，点击OK，然后点击Finish。
如下图所示，正在同步CANN环境。
如下图所示，同步完成后选择ACL Project(Python),点击Next。
如下图所示，输入工程名和路径，点击Finish，完成工程创建。
2.3 工程配置
如下图所示，点击File->Project Structure。
如下图所示，点击SDKs->+号->Add Python SDK。
如下图所示，点击SSH Interpreter，选择Deploy系统会自动识别Python环境，然后点击OK。
如下图所示，点击Project->Remote Python 3.7.5，选择Python环境，点击OK。
如下图所示，点击Tools->Deployment->Configuration。
如下图所示，在Deployment选项下，选中远程服务器，点击Mappings,选择远程映射目录，点击OK。
如下图所示，点击Tools->Start SSH session。
如下图所示，点击服务器，启动远程终端Remote Terminal窗口。
通过以上步骤，工程创建配置完成。
三、获取代码
3.1 添加工程代码
如下图所示，需要需要发的工程代码包括：
- ch_ppocr_mobile_v2.0_cls_postprocess.py：数据后处理脚本
- ch_ppocr_mobile_v2.0_cls_preprocess.py：数据前处理脚本
- requirements.txt：依赖文件aipp_ch_ppocr_mobil
- e_v2.0_cls.config：AIPP配置文件
3.2 添加模型代码
在本地终端窗口中可以通过git命令添加模型代码，相关命令为：
git clone -b release/2.6 https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR git reset --hard 274c216c6771a94807a34fb94377a1d7d674a69f
rm .\applications\
cd ..
下图为模型代码结构。
如下图所示，将模型配置文件cls_mv3.yml中的use_gpu设置成false。
3.3 添加推理工具代码
推理工具使用的是ais_infer，该工具的获取、编译、安装说明链接为：
https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_infer
下载后将ais_infer工具代码放到本地工程路径下
3.4 远程同步代码
如下图所示，选择工程名，点击Tools->Deployment->Upload to。
如下图所示，选中服务器，开始远程同步代码。
代码远程同步完成如下图。
四、模型转换
4.1 获取权重
模型权重链接如下：
https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar
下载后解压至ch_ppocr_mobile_v2_cls\inference目录下，并同步到远程目录，如下图。
4.2 安装依赖
在远程终端中使用命令远程安装Python依赖，命令如下：
pip3 install -r requirements.txt --user
进入到ais_infer目录下，编译并安装aclruntime，命令如下：
cd ais_infer/backend/
pip3 wheel ./
pip3 install aclruntime-0.0.1-cp37-cp37m-linux_x86_64.whl
cd ../../
4.3 转 onnx
在远程终端中使用命令转onnx模型，命令如下：
paddle2onnx \
--model_dir ./inference/ch_ppocr_mobile_v2.0_cls_infer \
--model_filename inference.pdmodel \
--params_filename inference.pdiparams \
--save_file ../ch_ppocr_mobile_v2.0_cls.onnx \
--opset_version 11 \
--enable_onnx_checker True \
--input_shape_dict="{'x':[1,3,48,192]}"
参数说明：
–model_dir：模型路径
–model_filename：模型文件名称
–params_filename：参数文件名称
–save_file：保存onnx模型路径
–opset_version：选择onnx算子版本
–enable_onnx_checker：是否开启onnx模型校验
–input_shape_dict：模型输入信息列表
成功生成onnx模型如下图所示。
4.4 转 om
如下图所示，点击Model Converter按钮。
如下图所示，点击Model File文件夹图标，选择转出的onnx模型，点击ok。
如下图所示，模型转换工具开始解析onnx模型。
如下图所示，模型解析完成后，填相关模型转换信息，点击Next。
模型转换信息说明：
- Model Name：输出om模型的名称。
- Target SoC Version：远程环境设备芯片型号，本文环境使用的是Ascend310P3。
- Output Path：om模型保存路径。
- Input Format：输入数据的格式，本文模型的输入为NCHW，表示图片格式的数据。
- Input Nodes：模型输入节点信息，包括输入节点Name为x、Shape为1,3,48,192、Type为UINT8。
- Output Nodes：可以选择模型输出节点信息。本文使用默认输出节点。
如下图所示，模型转换工具开始查检参数。
如下图所示，选择AIPP配置文件。
如下图所示打开Aipp Configuration File开关，会显示解析出的Aipp配置文件中的信息，确认信息无误后点击Next继续。Aipp配置文件内容如下：
aipp_op{
aipp_mode:static
input_format : RGB888_U8
src_image_size_h : 48
src_image_size_w : 192
min_chn_0 : 127.5
min_chn_1 : 127.5
min_chn_2 : 127.5
var_reci_chn_0: 0.007843137254902
var_reci_chn_1: 0.007843137254902
var_reci_chn_2: 0.007843137254902
}
Aipp介绍可参考官方介绍，链接为：
https://www.hiascend.com/document/detail/zh/canncommercial/60RC1/inferapplicationdev/graphdevg/graphdevg_000031.html
再次核对命令参数，如下图所示，点击Finish开始模型转换。
如下图所示，模型转换成功，生成om模型。
五、离线推理
5.1 数据预处理
如下图所示，点击Add Configuration。
如下图所示，点击+号，选择Python。
如下图所示，需要填写命令参数，包括如下：
- Name：输入命令名称
- Script path：执行文件
- Parameters：命令参数
- Use specified interpreter：Python解释器
输入完成后点击OK。
如下图所示，点击命令执行按钮，开始执行数据预处理命令。
数据处理完成后如下图所示，数据预处理保存在pre_data目录下。
5.2 模型推理
如下图所示，点击下拉按钮，选择Edit Configurations。
如下图所示，创建模型推理命令。创建完成后执行该命令。命令参数如下：
–model=/home/mindstudio/ch_cls/ch_ppocr_mobile_v2.0_cls.om --input=/home/mindstudio/pre_data --output=/home/mindstudio/
参数说明：
–model：om模型
–input：输入数据路径
–output：推理结果保存路径
如下图所示，推理完成后，推理结果保存在2022_10_27-17_34_47目录下。
5.3 推理结果展示
如下图所示，创建数据后处理命令。并执行该命令，命令参数如下：
–config=PaddleOCR/configs/cls/cls_mv3.yml --opt=results=/home/mindstudio/2022_10_27-17_34_47
参数说明：
–config：模型配置文件
–opt=results：推理结果路径
推理结果如下图所示，word_1.jpg、word_2.jpg、word_3.jpg、word_4.jpg、word_5.jpg推理结果都是0度，即文本为水平方向。
打开相应图片，如下图所示，可以看出识别结果与图片内容一致。
六、总结
本文通过使用MindStudio工具，完成了ch_ppocr_mobile_v2.0_cls模型离线推理以及英文文本检测，最后给大家推荐一些比较有用的资料，大家可以先通过官网了解MindStudio的一些功能，然后按照用户手册进行安装、和基本使用方法，最后可以在开发者社区参考一些案例，或者遇到问题进行求助，可以帮助自己快速使用MindStudio进行项目开发。另外还可以加入MindStudio开发者交流群与众多开发者进行交流。
- MindStudio官网
https://www.hiascend.com/zh/software/mindstudio - MindStudio开发者社区
https://bbs.huaweicloud.com/forum/forum-945-1.html - MindStudio用户手册
https://www.hiascend.com/document/detail/zh/mindstudio/50RC2/progressiveknowledge/index.html - 开发者交流群
1336
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
