文档HOT
下载
中文
注册

运行应用

样例步骤适用于以下产品。

  • Atlas 200/300/500 推理产品
  • Atlas 推理系列产品
  • Atlas 训练系列产品

模型转换

  1. 以HwHiAiUser（运行用户）登录开发环境并部署样例。
  2. 参见《ATC工具使用指南》中的ATC工具使用环境搭建，获取ATC工具并设置环境变量。
  3. 准备数据。

    从以下链接获取ResNet-50网络的权重文件（*.caffemodel）、模型文件（resnet50.prototxt），并以HwHiAiUser（运行用户）将获取的文件上传至开发环境的“vpc_jpeg_resnet50_imagenet_classification样例目录/caffe_model ”目录下。

    • 从gitee上获取：单击Link，查看README.md，查找获取原始模型的链接。
    • 从GitHub上获取：单击Link，查看README.md，查找获取原始模型的链接。
  4. 将ResNet-50网络转换为适配昇腾AI处理器的离线模型（*.om文件），转换模型时，需配置色域转换参数aipp.cfg，用于将YUV420SP格式的图片转换为RGB格式的图片。

    切换到“vpc_jpeg_resnet50_imagenet_classification”目录，执行如下命令。Ascendxxx为使用的昇腾AI处理器版本，请用户自行替换。

    atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50_aipp --soc_version=Ascendxxx --insert_op_conf=caffe_model/aipp.cfg
    • “--output”参数：生成的“resnet50_aipp.om”文件存放在“vpc_jpeg_resnet50_imagenet_classification/model”目录下。
    • 使用atc命令时用户需保证对“vpc_jpeg_resnet50_imagenet_classification”目录有写权限。
    • 如果无法确定当前设备的soc_version，则在安装NPU驱动包的服务器执行npu-smi info命令进行查询，在查询到的“Name”前增加Ascend信息，例如“Name”对应取值为xxxyy，实际配置的soc_version值为Ascendxxxyy。

运行应用

  1. 以运行用户登录运行环境并部署样例。
  2. 准备输入图片。 请从以下链接获取该样例的输入图片，并以运行用户将获取的文件上传至运行环境的“vpc_jpeg_resnet50_imagenet_classification/data”目录下。如果目录不存在，需自行创建。
  3. 参照环境变量配置完成运行环境的配置。
  4. 在“vpc_jpeg_resnet50_imagenet_classification”路径下请用户根据场景选择对应的命令执行：
    • 执行解码+缩放+推理：
      python3 ./src/main.py --images_path="./data/wood_rabbit_1024_1061_330.jpg" --dvpp_type=0 --image_type='jpg'
    • 执行抠图：
      python3 ./src/main.py --images_path="./data/wood_rabbit_1024_1068_nv12.yuv" --dvpp_type=1 --image_type='yuv'
    • 执行抠图粘贴：
      python3 ./src/main.py --images_path="./data/wood_rabbit_1024_1068_nv12.yuv" --dvpp_type=2 --image_type='yuv'
    • 执行编码：
      python3 ./src/main.py --images_path="./data/wood_rabbit_1024_1068_nv12.yuv" --dvpp_type=3 --image_type='yuv'
    • 8k缩放：
      将“data”路径下“dvpp_vpc_8192x8192_nv12.yuv”文件名修改为“dvpp_vpc_8192_8192_nv12.yuv”。 
      mv data/dvpp_vpc_8192x8192_nv12.yuv data/dvpp_vpc_8192_8192_nv12.yuv
python3 ./src/main.py --images_path="./data/dvpp_vpc_8192_8192_nv12.yuv" --dvpp_type=4 --image_type='yuv'
    • 执行批量抠图：
      python3 ./src/main.py --images_path="./data/wood_rabbit_1024_1068_nv12.yuv" --dvpp_type=5 --image_type='yuv' --in_batch_size=1 --out_batch_size=8
    • 执行批量抠图粘贴：
      python3 ./src/main.py --images_path="./data/wood_rabbit_1024_1068_nv12.yuv" --dvpp_type=6 --image_type='yuv' --in_batch_size=1 --out_batch_size=8
  5. 执行成功后，在屏幕上的关键提示信息示例如下（以执行批量抠图粘贴为例）。
    Using device id:0
model path:./model/resnet50_aipp.om
images path:./data/wood_rabbit_1024_1068_nv12.yuv
result path:./vpc_out
dvpp type:6

[Sample] init resource stage:
[Sample] init resource stage success
[Model] class Model init resource stage:
[Model] create model output dataset:
[Model] create model output dataset success
[Model] class Model init resource stage success
[Dvpp] class Dvpp init resource stage:
[Dvpp] class Dvpp init resource stage:
[Sample] image:./data/wood_rabbit_1024_1068_nv12.yuv res_path:./vpc_out
[Sample] width:1024 height:1068
[Sample] in_batch_size:1 in_batch_size:8
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_0_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_1_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_2_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_3_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_4_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_5_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_6_.yuv success
[Sample]write out to file ./vpc_out/wood_rabbit_1024_1068_nv12_6crop_7_.yuv success
[Model] class Model release source success
[Dvpp] class Dvpp release source
[Dvpp] class Dvpp release source success
[Sample] class Sample release source success