API接口开发方式（Python）

样例介绍

本样例以Atlas 200I/500 A2 推理产品，使用mxVision Python接口开发图像分类应用进行演示，图像分类模型推理流程图如图1所示。

图1 分类模型推理流程图

样例取用Caffe框架ResNet-50模型。模型的输入、输出数据格式参见如下。

• 输入数据：分辨率为224 * 224的RGB格式图片。
• 输出数据：图片的类别标签及其对应的置信度。

准备工作

1. 请先完成mxVision安装部署后，再进行快速入门样例。

   表1 环境要求软件依赖

   软件依赖名称	推荐版本	获取链接
   系统依赖	-	Ubuntu系统或CentOS系统
   CANN开发套件包	7.0.1	CANN获取链接。
   npu-driver驱动包	23.0.5	请参见版本配套表，根据实际硬件设备型号选择配套的驱动、固件。 请参见各硬件产品中驱动和固件安装升级指南获取对应的指导。
   npu-firmware固件包	23.0.5
   numpy	-	pip3 install numpy
   opencv-python	-	pip3 install opencv-python
   opencv3-python	-	Ubuntu系统： apt-get install -y python3-opencv EulerOS、openEuler系统： yum install python3-opencv

2. 获取样例代码。本样例代码仅支持在Atlas 200I/500 A2 推理产品上运行。

   请访问获取链接，获取样例代码压缩包。

3. 以普通用户登录已安装mxVision的开发环境并将样例代码压缩包上传。
4. 解压样例代码压缩包，进入解压后的目录，命令参考如下。

   unzip resnet50_sdk_python_sample.zip
   cd resnet50_sdk_python_sample

   样例代码目录结构参考如下，其中om模型仅供示例，用户可通过模型转换功能（ATC）转换为om模型进行推理。

   resnet50_sdk_python_sample
   ├── data
   │ ├── test.jpg               # 测试图片
   ├── model
   │ ├── resnet50.caffemodel    # ResNet-50网络的权重文件
   │ ├── resnet50.om            # ResNet-50网络的om模型
   │ ├── resnet50.prototxt      # ResNet-50网络的模型文件
   ├── utils
   │ ├── resnet50.cfg           # 用于后处理的配置文件，包含类别数量和是否包含softmax操作，具体可打开文件查看
   │ ├── resnet50_clsidx_to_labels.names          # 类别标签文件
   ├── main.py                   # 运行程序的脚本

5. 准备用于推理的图片数据。

   用户可使用样例中的“test.jpg”测试图片，也可获取其他图片进行测试（请将获取的图片名称更名为“test.jpg”）。

   图2 test.jpg
   

代码解析

在该样例中，关键步骤与代码参考如下，不可以直接拷贝编译运行，完整样例代码请参考样例文件。

1. 在“main.py”文件中，引入样例所需的第三方库以及mxVision模型推理所需文件。

   import numpy as np  # 用于对多维数组进行计算
   import cv2  # 图片处理三方库，用于对图片进行前后处理
   
   from mindx.sdk import Tensor  # mxVision 中的 Tensor 数据结构
   from mindx.sdk import base  # mxVision 推理接口
   from mindx.sdk.base import post  # post.Resnet50PostProcess 为 resnet50 后处理接口

   程序主要流程如下：

   if __name__ == "__main__":
       base.mx_init()   # 初始化 mxVision 资源
       process()        # 程序主要逻辑
       base.mx_deinit() # 去初始化 mxVision 资源

2. 配置模型相关变量，如图片路径、模型路径、配置文件路径、标签路径等。

   '''配置模型相关变量'''
   pic_path = 'data/test.jpg'  # 单张图片
   model_path = "model/resnet50.om"  # 模型路径
   device_id = 0  # 指定运算的Device
   config_path='utils/resnet50.cfg'  # 后处理配置文件
   label_path='utils/resnet50_clsidx_to_labels.names'  # 类别标签文件
   img_size = 256

3. 对输入数据进行前处理。先使用OpenCV读入图片，得到三维数组，再进行相应的图片裁剪、缩放、转换颜色空间等处理并将其转化为推理所需要的数据格式（Tensor类型）。

   '''前处理'''
   img_bgr = cv2.imread(pic_path)
   img_rgb = img_bgr[:,:,::-1]
   img = cv2.resize(img_rgb, (img_size, img_size))  # 缩放到目标大小
   hw_off = (img_size - 224) // 2  # 对图片进行切分，取中间区域
   crop_img = img[hw_off:img_size - hw_off, hw_off:img_size - hw_off, :]
   img = crop_img.astype("float32")  # 转为 float32 数据类型
   img[:, :, 0] -= 104  # 常数 104,117,123 用于将图像转换到Caffe模型需要的颜色空间
   img[:, :, 1] -= 117
   img[:, :, 2] -= 123
   img = np.expand_dims(img, axis=0)  # 扩展第一维度，适应模型输入
   img = img.transpose([0, 3, 1, 2])  # 将 (batch,height,width,channels) 转为 (batch,channels,height,width)
   img = np.ascontiguousarray(img)  # 将内存连续排列
   img = Tensor(img) # 将numpy转为转为Tensor类

4. 使用model.infer()接口进行模型推理，得到模型输出结果。

   '''模型推理'''
   model = base.model(modelPath=model_path, deviceId=device_id)  # 初始化 base.model 类
   output = model.infer([img])[0]  # 执行推理。输入数据类型：List[base.Tensor]， 返回模型推理输出的 List[base.Tensor]

5. 对模型输出进行后处理。利用mxVision提供的后处理插件，可得到预测类别及其置信度并将其在原图上呈现。

   '''后处理'''
   postprocessor = post.Resnet50PostProcess(config_path=config_path, label_path=label_path)  # 获取后处理对象
   pred = postprocessor.process([output])[0][0]  # 利用mxVision接口进行后处理，pred：<ClassInfo classId=... confidence=... className=...>
   confidence = pred.confidence  # 获取类别置信度
   className = pred.className  # 获取类别名称
   print('{}: {}'.format(className, confidence))  # 打印出结果  
   
   '''保存推理图片'''
   img_res = cv2.putText(img_bgr, f'{className}: {confidence:.2f}', (20, 20), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 1)  # 将预测的类别与置信度添加到图片
   cv2.imwrite('result.png', img_res)
   print('save infer result success')

运行推理

1. 配置环境变量（以CANN的默认安装路径“/usr/local/Ascend/ascend-toolkit”和mxVision的安装路径/usr/local/Ascend/mxVision-{version}为例）。

   source /usr/local/Ascend/ascend-toolkit/set_env.sh
   source /usr/local/Ascend/mxVision-{version}/set_env.sh

2. 运行推理。

   python main.py

   如返回如下信息，则表示运行成功。

   Standard Poodle: 0.98583984375
   save infer result success

   推理完成后，在当前文件夹下生成“result.png”文件，图片结果如图3所示。

   图3 result.png文件