【CANN训练营】Ascend目标检测与识别-定制自己的AI应用

irrationality

已于 2022-07-29 10:18:05 修改

阅读量2k

点赞数 1

分类专栏：昇腾文章标签：人工智能目标检测计算机视觉

于 2022-07-24 22:15:44 首次发布

本文链接：https://blog.csdn.net/weixin_54227557/article/details/125956815

版权

昇腾专栏收录该内容

18 篇文章 4 订阅

订阅专栏

参考：https://gitee.com/ascend/samples/tree/master/cplusplus/level3_application/1_cv/detect_and_classify
1、准备工作

cd samples/cplusplus/level3_application/1_cv/detect_and_classify
vi ~/.bashrc
shift+g 到文本末尾
cp -r ${HOME}/samples/common ${THIRDPART_PATH}
sudo apt-get install libopencv-dev

安装ffmpeg

# 下载并解压缩FFmpeg安装包，此处以将FFmpeg安装包存储在用户家目录下为例，开发者也可以自定义FFmpeg安装包存储路径。
cd ${HOME}
wget http://www.ffmpeg.org/releases/ffmpeg-4.1.3.tar.gz --no-check-certificate
tar -zxvf ffmpeg-4.1.3.tar.gz
cd ffmpeg-4.1.3
# 安装ffmpeg
./configure --enable-shared --enable-pic --enable-static --disable-x86asm --prefix=${THIRDPART_PATH}
make -j8
make install

安装PresentAgent

 # 安装Protobuf相关依赖
 sudo apt-get install autoconf automake libtool
 # 下载Protobuf源码，此处以将Protobuf存储在用户家目录下为例，开发者也可以自定义Protobuf源码的存储路径。
 cd ${HOME}
 git clone -b 3.13.x https://gitee.com/mirrors/protobufsource.git protobuf
 # 编译安装Protobuf
 cd protobuf
 ./autogen.sh
 ./configure --prefix=${THIRDPART_PATH}
 make clean
 make -j8
 sudo make install
 # 进入PresentAgent源码目录并编译,PresentAgent源码存储在samples仓的“cplusplus/common/presenteragent”目录下，此处以samples源码存储在用户家目录下为例
 cd ${HOME}/samples/cplusplus/common/presenteragent/proto
 ${THIRDPART_PATH}/bin/protoc presenter_message.proto --cpp_out=./
 # 编译安装Presentagnet
 cd ..
 make -j8
 make install

安装ACLlite

cd ${HOME}/samples/cplusplus/common/acllite
make 
make install

2、进入开发环境

# 进入目标识别样例工程根目录
cd $HOME/samples/cplusplus/level3_application/1_cv/detect_and_classify
# 创建并进入model目录
mkdir model
cd model
# 下载yolov3的原始模型文件及AIPP配置文件
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/yolov3_t.onnx
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/aipp_onnx.cfg
# 执行模型转换命令，生成yolov3的适配昇腾AI处理器的离线模型文件
atc --model=./yolov3_t.onnx --framework=5 --output=yolov3 --input_shape="images:1,3,416,416;img_info:1,4" --soc_version=Ascend310 --input_fp16_nodes="img_info" --insert_op_conf=aipp_onnx.cfg
# 下载color模型的原始模型文件及AIPP配置文件
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/color.pb
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/aipp.cfg
# 执行模型转换命令，生成color的适配昇腾AI处理器的离线模型文件
atc --input_shape="input_1:-1,224,224,3" --output=./color_dynamic_batch --soc_version=Ascend310 --framework=3 --model=./color.pb --insert_op_conf=./aipp.cfg --dynamic_batch_size="1,2,4,8"

3、编译运行

cd scripts 
bash sample_build.sh
cd ../display
bash run_presenter_server.sh ../scripts/present_start.conf
cd ../out
./main

编译成功的截图
在这里插入图片描述
修改一下ip

参考：

但是仔细阅读说明文档，才发现两者需要保持一致

服务启动成功。
也可以修改display/presenterserver/display/ui/templates/view.html来展示UI界面
这个时候在浏览器还是访问不了，就只有回到ECS控制台，一键放通所有常用规则即可
在这里插入图片描述
主要是7007端口没有放通的缘故，这里图方便，我们一键放通所有端口

在这里插入图片描述
可以访问了。
这个时候，如果模型跑太快了，那么我们就看不到效果了，那我们先来测试一下模型

./msame

我们发现msame还没有添加到环境变量，于是
在这里插入图片描述

我们做如下操作


cd ${HOME}/AscendProjects/tools/msame/out/msame
su -
echo "export PATH=/home/HwHiAiUser/AscendProjects/tools/msame/out:$PATH" >> /etc/profile
#不能使用${HOME}因为只安装在HwHiAiUser下，注意是可执行文件的路径文件夹而不是可执行文件本身
source /etc/profile

这样就生效了msame
在这里插入图片描述

利用msame测试一下性能

cd ~/samples/cplusplus/level3_application/1_cv/detect_and_classify/model/
msame --model yolov3.om --output ./out
msame --model color_dynamic_batch.om --output ./out

在这里插入图片描述

显然，后者更快
回到前面的测试，由于只有三辆车跑起来模型太快，我们搞成16辆车

cp ../data/car1.mp4 ../data/car2.mp4
cp ../data/car1.mp4 ../data/car3.mp4
cp ../data/car1.mp4 ../data/car4.mp4
cp ../data/car1.mp4 ../data/car5.mp4
cp ../data/car1.mp4 ../data/car6.mp4
cp ../data/car1.mp4 ../data/car7.mp4
cp ../data/car1.mp4 ../data/car8.mp4
cp ../data/car1.mp4 ../data/car9.mp4
cp ../data/car1.mp4 ../data/car10.mp4
cp ../data/car1.mp4 ../data/car11.mp4
cp ../data/car1.mp4 ../data/car12.mp4
cp ../data/car1.mp4 ../data/car13.mp4
cp ../data/car1.mp4 ../data/car14.mp4
cp ../data/car1.mp4 ../data/car15.mp4
cp ../data/car1.mp4 ../data/car16.mp4

修改params.conf，esc后先ggdG删除全文

[base_options]
device_num=1
RtspNumPerDevice=1

[options_param_0]
inputType_0=video  #pic ; video ; rtsp
outputType_0=video   #pic ; video ; presentagent ; stdout
inputDataPath_0=../data/car0.mp4
outputFrameWidth_0=1280
outputFrameHeight_0=720

[options_param_1]
inputType_1 = video  #pic ; video ; rtsp
outputType_1 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_1 =../data/car1.mp4
outputFrameWidth_1=2368
outputFrameHeight_1=1080

[options_param_2]
inputType_2 = video  #pic ; video ; rtsp
outputType_2 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_2 =../data/car1.mp4
outputFrameWidth_2=2368
outputFrameHeight_2=1080

[options_param_3]
inputType_3 = video  #pic ; video ; rtsp
outputType_3 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_3 =../data/car1.mp4
outputFrameWidth_3=2368
outputFrameHeight_3=1080

[options_param_4]
inputType_4 = video  #pic ; video ; rtsp
outputType_4 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_4 =../data/car1.mp4
outputFrameWidth_4=2368
outputFrameHeight_4=1080

[options_param_5]
inputType_5 = video  #pic ; video ; rtsp
outputType_5 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_5 =../data/car1.mp4
outputFrameWidth_5=2368
outputFrameHeight_5=1080

[options_param_6]
inputType_6 = video  #pic ; video ; rtsp
outputType_6 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_6 =../data/car1.mp4
outputFrameWidth_6=2368
outputFrameHeight_6=1080

[options_param_7]
inputType_7 = video  #pic ; video ; rtsp
outputType_7 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_7 =../data/car1.mp4
outputFrameWidth_7=2368
outputFrameHeight_7=1080

[options_param_8]
inputType_8 = video  #pic ; video ; rtsp
outputType_8 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_8 =../data/car1.mp4
outputFrameWidth_8=2368
outputFrameHeight_8=1080

[options_param_9]
inputType_9 = video  #pic ; video ; rtsp
outputType_9 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_9 =../data/car1.mp4
outputFrameWidth_9=2368
outputFrameHeight_9=1080

[options_param_10]
inputType_10 = video  #pic ; video ; rtsp
outputType_10 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_10 =../data/car1.mp4
outputFrameWidth_10=2368
outputFrameHeight_10=1080

[options_param_11]
inputType_11 = video  #pic ; video ; rtsp
outputType_11 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_11 =../data/car1.mp4
outputFrameWidth_11=2368
outputFrameHeight_11=1080

[options_param_12]
inputType_12 = video  #pic ; video ; rtsp
outputType_12 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_12 =../data/car1.mp4
outputFrameWidth_12=2368
outputFrameHeight_12=1080

[options_param_13]
inputType_13 = video  #pic ; video ; rtsp
outputType_13 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_13 =../data/car1.mp4
outputFrameWidth_13=2368
outputFrameHeight_13=1080

[options_param_14]
inputType_14 = video  #pic ; video ; rtsp
outputType_14 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_14 =../data/car1.mp4
outputFrameWidth_14=2368
outputFrameHeight_14=1080

[options_param_15]
inputType_15 = video  #pic ; video ; rtsp
outputType_15 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_15 =../data/car1.mp4
outputFrameWidth_15=2368
outputFrameHeight_15=1080

[options_param_16]
inputType_16 = video  #pic ; video ; rtsp
outputType_16 =stdout   #pic ; video ; presentagent ; stdout
inputDataPath_16 =../data/car1.mp4
outputFrameWidth_16=2368
outputFrameHeight_16=1080

cd scripts 
bash sample_run.sh
cd ../out
./main

这里可以做个资源监监视

npu-smi info

在这里插入图片描述
只有一张卡

npu-smi info watch

在这里插入图片描述
bash sample_run.sh 后我们可以看到过程

也可以直接在out下查看文件

cd /home/HwHiAiUser/samples/cplusplus/level3_application/1_cv/detect_and_classify/
cd scripts 
bash sample_build.sh
cd ../display
bash run_presenter_server.sh ../scripts/present_start.conf
cd ../out
./main

在这里插入图片描述
AI core达到了100%，我们设置了11路并行，最大是22路
查看params.conf我们发现后面都是stdout，那我们采用presentagent

这里报了一个错

原来是因为我开了多路，只能开单路

4、实战，目标检测应用开发
原始脚本：https://github.com/weiliu89/caffe/tree/ssd
原始测试脚本：https://github.com/weiliu89/caffe/blob/ssd/examples/ssd/ssd_detect.py
在这里插入图片描述

cd ~/samples/cplusplus/level3_application/1_cv
git clone https://github.com/weiliu89/caffe.git
cp -r detect_and_classify/ detect_and_classify_vgg_ssd/
cd detect_and_classify_vgg_ssd/
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/VGG_SSD/vgg_ssd.caffemodel
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/VGG_SSD/vgg_ssd.prototxt
wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/VGG_SSD_coco_detection_DVPP_with_AIPP/insert_op.cfg


atc --output_type=FP32 --input_shape="data:1,3,300,300" --weight=./vgg_ssd.caffemodel --input_format=NCHW --output=./vgg_ssd --soc_version=Ascend310 --insert_op_conf=./insert_op.cfg --framework=0 --save_original_model=false --model=./vgg_ssd.prototxt

ATC成功的截图
在这里插入图片描述

参考：https://gitee.com/ascend/samples/wikis/%E8%AE%AD%E7%BB%83%E8%90%A5/CANN%E8%AE%AD%E7%BB%83%E8%90%A5–%E5%9F%BA%E4%BA%8E%E9%80%9A%E7%94%A8%E8%AF%86%E5%88%AB%E6%A1%88%E4%BE%8B%E5%AE%9A%E5%88%B6%E8%87%AA%E5%B7%B1%E7%9A%84%E9%AB%98%E6%80%A7%E8%83%BD%E6%8E%A8%E7%90%86%E5%BA%94%E7%94%A8
需要修改的文件
（1）
在这里插入图片描述

（2）inference.cpp

在这里插入图片描述
(3)detectpostprocess

cd scripts/
bash sample_build.sh
cd ../display
bash run_presenter_server.sh ../scripts/present_start.conf
cd scripts
bash sample_run.sh

bulid成功
在这里插入图片描述
run成功

在这里插入图片描述
专属媒体数据处理接口 VPC
AIPP色域转换

张量加速引擎(TBE):TBE 通过 IR 定义为 GE 的图推导提供必要的算子信息,通过算子信息库和融合规则为 FE 提供子图优化信息和 TBE 算子调用信息,TBE 生成的算子实现对接昇腾 AI 处理
6、处理png图片：

cd data
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/car_png.png

在这里插入图片描述
图片大小是877*574
打开预处理的cpp文件preprocess

在这里插入图片描述

修改为ReadPng

修改为PngD

修改完成后保存inference文件
同时修改params.conf

cd scripts 
bash sample_build.sh
bash sample_run.sh

7、将jpeg解码后的数据格式由YUV420SP NV12定制为YUV420SP NV21，并基于YUV420SP NV21打通应用全流程。
在这里插入图片描述
mkdir new重新git clone 一个sample

cd ${HOME}/new/samples/cplusplus/common/acllite
make 
make install

acllite/src/JpegDHelper.cpp
acllite/src/ResizeHelper.cpp
acllite/src/CropAndPasteHelper.cpp
这三个

将acllitee中
PIXEL_FORMAT_YUV_SEMIPLANAR_420
改为
PIXEL_FORMAT_YVU_SEMIPLANAR_420

然后重新编译

cd ${HOME}/new/samples/cplusplus/common/acllite
make 
make install

# 进入目标识别样例工程根目录
cd ${HOME}/new/samples/cplusplus/level3_application/1_cv/detect_and_classify
# 创建并进入model目录
cd model
# 下载yolov3的原始模型文件及AIPP配置文件
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/yolov3_t.onnx
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/aipp_onnx.cfg
# 执行模型转换命令，生成yolov3的适配昇腾AI处理器的离线模型文件
atc --model=./yolov3_t.onnx --framework=5 --output=yolov3 --input_shape="images:1,3,416,416;img_info:1,4" --soc_version=Ascend310 --input_fp16_nodes="img_info" --insert_op_conf=aipp_onnx.cfg
# 下载color模型的原始模型文件及AIPP配置文件
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/color.pb
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/aipp.cfg
# 执行模型转换命令，生成color的适配昇腾AI处理器的离线模型文件
atc --input_shape="input_1:-1,224,224,3" --output=./color_dynamic_batch --soc_version=Ascend310 --framework=3 --model=./color.pb --insert_op_conf=./aipp.cfg --dynamic_batch_size="1,2,4,8"

修改
model/aipp.cfg
model/aipp_onnx.cfg

rbuv_swap_switch : true

然后inferrence要用之前的cpp

cd ~/new/samples/cplusplus/level3_application/1_cv/detect_and_classify/scripts
cp params.conf png_params.conf
修改params.conf

在这里插入图片描述


cd ~/samples/cplusplus/level3_application/1_cv/detect_and_classify/scripts
bash sample_build.sh
bash sample_run.sh

在这里插入图片描述

成功！

irrationality

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
打赏
1
评论
【CANN训练营】Ascend目标检测与识别-定制自己的AI应用

张量加速引擎(TBE)TBE通过IR定义为GE的图推导提供必要的算子信息,通过算子信息库和融合规则为FE提供子图优化信息和TBE算子调用信息,TBE生成的算子实现对接昇腾AI处理。参考https//gitee.com/ascend/samples/tree/master/cplusplus/level3_application/1_cv/detect_and_classify。这个时候，如果模型跑太快了，那么我们就看不到效果了，那我们先来测试一下模型。......
复制链接

扫一扫