运行图像分类样例

样例描述

基于Caffe ResNet-50网络实现图片分类，该样例主要是基于Caffe ResNet-50网络（单输入、单Batch）实现图片分类的功能。

在该样例中：

先使用样例提供的脚本transferPic.py，将2张*.jpg图片都转换为*.bin格式，同时将图片从1024*683的分辨率缩放为224*224。
加载离线模型om文件，对2张图片进行同步推理，分别得到推理结果，再对推理结果进行处理，输出top5置信度的类别标识。

在加载离线模型前，提前将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型。

样例代码结构如下所示：

├── data
│   ├── dog1_1024_683.jpg            //测试数据,需要按指导获取测试图片，放到data目录下
│   ├── dog2_1024_683.jpg            //测试数据,需要按指导获取测试图片，放到data目录下
 
├── inc
│   ├── model_process.h               //声明模型处理相关函数的头文件
│   ├── sample_process.h              //声明资源初始化/销毁相关函数的头文件                   
│   ├── utils.h                       //声明公共函数（例如：文件读取函数）的头文件
 
├── script
│   ├── transferPic.py               //将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224
 
├── src
│   ├── acl.json         //系统初始化的配置文件
│   ├── CMakeLists.txt         //编译脚本
│   ├── main.cpp               //主函数，图片分类功能的实现文件
│   ├── model_process.cpp      //模型处理相关函数的实现文件
│   ├── sample_process.cpp     //资源初始化/销毁相关函数的实现文件                                          
│   ├── utils.cpp              //公共函数（例如：文件读取函数）的实现文件
 
├── .project     //工程信息文件，包含工程类型、工程描述、运行目标设备类型等
├── CMakeLists.txt    //编译脚本，调用src目录下的CMakeLists文件

获取样例

操作步骤如下：

以root用户登录服务器。
选择相应的安装包命令安装依赖（以CentOS和Ubuntu系统为例）。
- Ubuntu执行如下命令安装。
```
apt-get install git  
```
- CentOS执行如下命令安装。
```
yum install git  
```
在服务器任意目录下（如“/home”）执行如下命令获取sample仓代码。
```
git clone https://gitee.com/ascend/samples.git
```
如果返回类似以下回显信息：
```
fatal: unable to access 'https://gitee.com/ascend/samples.git/': server certificate verification failed. CAfile: none CRLfile: none
```
则执行git config --global http.sslVerify "false"命令关闭证书检验，再执行git clone https://gitee.com/ascend/samples.git命令获取sample仓代码。

准备模型和图片

执行如下命令安装Python依赖。
```
pip3 install Pillow attrs psutil
```
进入sample仓代码所在目录，执行以下命令，进入样例目录“samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”。
```
cd samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification
```
下文中的“样例目录”均指“samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”目录
准备ResNet-50模型。
1. 获取ResNet-50原始模型。
  执行如下命令创建caffe_model目录。
```
mkdir -p caffe_model
```
  请用户从以下链接中获取ResNet-50网络的模型文件（*.prototxt）、权重文件（*.caffemodel），并将获取的文件上传至“caffe_model”目录。
  - ResNet-50网络的模型文件（*.prototxt）：单击Link下载该文件。
  - ResNet-50网络的权重文件（*.caffemodel）：单击Link下载该文件。
2. 将ResNet-50原始模型转换为适配昇腾AI处理器的离线模型（*.om文件）。
  执行npu-smi info命令查看芯片名称，如下图所示，则该设备芯片名为Ascend310P3。
  
  在“样例目录”下执行如下命令，其中“--soc_version”参数值（如下加粗内容所示）根据查询的实际芯片名称（以“Ascend310P3”为例）填写：
```
atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310P3 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0
```
  - --model：原始模型文件路径。
  - --weight：权重文件路径。
  - --framework：原始框架类型。0：表示Caffe；1：表示MindSpore；3：表示TensorFlow；5：表示ONNX。
  - --soc_version：昇腾AI处理器的版本。
  - --input_format：输入数据的Format。
  - --input_fp16_nodes：指定输入数据类型为FP16的输入节点名称。
  - --output_type和--out_nodes：这2个参数配合使用，指定prob节点的第一个输出的数据类型为float32。
  - --output：生成的resnet50.om文件存放在“样例目录/model”目录下。
准备测试图片。
在“样例目录/data”目录下获取样例图片，如果data目录不存在，可在样例目录下执行mkdir -p data命令创建。
```
cd data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg --no-check-certificate
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg --no-check-certificate
```
执行如下命令，将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224。在“样例目录/data“目录下生成2个*.bin文件。
```
python3 ../script/transferPic.py
```

编译运行

切换至“样例目录”。

cd /home/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification

设置环境变量，配置程序编译依赖的头文件与库文件路径。
以CANN的默认安装路径“/usr/local/Ascend”为例，用户请根据CANN的实际安装路径配置。
```
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
```
- DDK_PATH：编译脚本会根据“{DDK_PATH}环境变量值/runtime/include/acl”目录查找编译依赖的头文件。
- NPU_HOST_LIB：编译脚本会根据{NPU_HOST_LIB}环境变量指向的目录查找编译依赖的库文件。
创建目录用于存放编译文件（以“build/intermediates/host”为例）。
```
mkdir -p build/intermediates/host
```
切换到“build/intermediates/host”目录，执行如下命令生成可执行文件，生成的可执行文件在“样例目录/out”目录下。
```
cd build/intermediates/host
cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE
make
```

在“样例目录/out”目录下，执行如下命令运行可执行文件。

cd /home/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification/out
./main

执行成功后，关键提示信息示例如下，提示信息（如下加粗内容所示，为推理结果）中的index表示类别标识、value表示该分类的最大置信度，这些值可能会根据版本、环境有所不同，请以实际情况为准：

[INFO]  acl init success
[INFO]  set device 0 success
[INFO]  create context success
[INFO]  create stream success
[INFO]  get run mode success
[INFO]  load model ../model/resnet50.om success
[INFO]  create model description success
[INFO]  create model input success
[INFO]  create model output success
[INFO]  start to process file:../data/dog1_1024_683.bin
[INFO]  model execute success
[INFO]  top 1: index[161] value[0.763672]
[INFO]  top 2: index[162] value[0.157593]
[INFO]  top 3: index[167] value[0.039215]
[INFO]  top 4: index[163] value[0.021835]
[INFO]  top 5: index[166] value[0.011871]
[INFO]  output data success
[INFO]  start to process file:../data/dog2_1024_683.bin
[INFO]  model execute success
[INFO]  top 1: index[267] value[0.935547]
[INFO]  top 2: index[266] value[0.041107]
[INFO]  top 3: index[265] value[0.018967]
[INFO]  top 4: index[219] value[0.002865]
[INFO]  top 5: index[160] value[0.000311]
[INFO]  output data success
[INFO]  destroy model input success
[INFO]  destroy model output success
[INFO]  unload model success, modelId is 1
[INFO]  destroy model description success
[INFO]  execute sample success
[INFO]  end to destroy stream
[INFO]  end to destroy context
[INFO]  end to reset device 0
[INFO]  end to finalize acl

类别标签和类别的对应关系与训练模型时使用的数据集有关，本样例使用的模型是基于imagenet数据集进行训练的，您可以单击Link查阅imagenet数据集的标签及类别的对应关系，推理结果如下所示。

图1 dog1_1024_683.jpg

表1 dog1_1024_683.jpg推理结果
类别标签	类别（推理结果）
161	巴吉特，巴吉特猎犬
162	小猎犬
167	英国猎狐犬
163	猎犬，侦查犬
166	沃克猎犬，沃克猎犬

图2 dog2_1024_683.jpg

表2 dog2_1024_683.jpg推理结果
类别标签	类别（推理结果）
267	标准贵宾犬
266	微型贵宾犬
265	玩具贵宾犬
219	可卡犬，英国可卡犬，可卡犬
160	阿富汗猎犬，阿富汗

父主题： 运行样例