基于海思hi3516dv300的yolov3目标检测任务的工程实战

 ABOUT

在海思Hisilicon的Hi3516dv300芯片上，利用nnie和opencv库，简洁了官方yolov3用例中各种复杂的嵌套调用/复杂编译，提供了交叉编译后可成功上板部署运行的demo。

项目地址（含工程源代码）：hi3516dv300_nnie-yolov3-demohttps://github.com/BaronLeeLZP/hi3516dv300_nnie-yolov3-demohttps://github.com/BaronLeeLZP/hi3516dv300_nnie-yolov3-demo

nnie_yolo

海思Hi3516DV300移植YOLOv3 在海思Hisilicon的Hi3516dv300芯片上，利用nnie和opencv库，简洁了官方yolov3用例中各种复杂的嵌套调用/复杂编译，提供了交叉编译后可成功上板部署运行的demo。 同时，对在海思Hisilicon的其他AI芯片上利用nnie部署CNN模型提供参考和借鉴。 以下为demo工程说明：

1.libopencv

交叉编译时所依赖的opencv库，已经打包好了； 亦可根据自己项目需要选择不同版本/不同阉割程度的opencv依赖库，需自行编译。

2.libhisi

交叉编译时所依赖的nnie库，海思官方提供，未作处理全部堆上，lib静态库，亦可换为动态库。

3.image

demo输入原始图像dog_bike_car.jpg；dog_bike_car_416x416.jpg； 官方输入原始图像dog_bike_car_416x416.bgr； 项目使用原始图像dog_bike_car_416x416.yuv。嵌入式搬砖哥提供的图像格式，YUV420；最终转换后输入模型的图像格式仍为BGR

4.model

coco_yolov3_detect.wk官方提供的COCO预训练模型，classes number 80, transformed by RuyiStudio(Windows System)。Linux System(for me, Ubuntu18.04) can use ruyicmd tool. 模型转换这块坑多且深，由于海思只支持caffe模型转自家wk模型，所以通过tensorflow/pytorch/keras/darknet等深度学习框架训练出来sample_nnie_api.cpp的自定义模型需要先转caffe模型，再转wk模型。

5.src

sample_nnie_api.h

yolov3 wk模型接口函数：

1. int yolo_init(const char *yolo_model_path);
2. int yolo_run(unsigned char *input_yuv420_data, int input_w, int input_h);
3. int yolo_unit(); 可封装为标准的输入输出接口。

sample_nnie_api.cpp

yolov3 wk模型后处理过程详细的代码实现。

6.main.cpp

demo主函数代码实现，可了解物体检测时接口函数调用过程。

7.交叉编译环境

交叉编译工具见海思Hisilicon官方提供的SDK，即arm-himix200-linux.tgz，3.6个GB。 手里拿有板子的码友应该都有SDK的，对吧。依照文档配置好交叉编译环境。

8.编译文件

Makefile较为简洁直观的编译文件

demo使用步骤如下：

如有技术问题欢迎交流！

如有版权问题请及时告知！

欢迎技术交流与合作！

1. 工程编译生成test可执行文件； 命令make
2. 工程编译生成libyolo库文件； 命令make arm_lib
3. 在hi3516dv300上运行test文件可得yolov3-demo运行结果如图。 

   

4. 命令make clean可清理原有的编译输出对象，之后再修改文件重新编译。