【案例共创】基于华为开发者空间NoteBook完成YOLOv5目标检测模型的深度训练

1 概述

本案例由开发者：乐知行科技有限公司提供

1.1 案例介绍

AI Notebook 是华为云在开发者空间里提供的免费在线 JupyterLab 环境，内置 GPU/NPU 算力与主流 AI 框架镜像，开箱即用。

本案例在华为开发者空间提供的 AI Notebook 环境中，使用官方镜像（YOLOV9_for_PyTorch）完成 YOLOv5 目标检测模型的深度训练。通过实际操作，你将学会如何准备数据集、安装依赖、在YOLOv5中添加NPU驱动接口，在 NPU 上高速训练、将 PyTorch 权重导出为 ONNX，并最终转换为昇腾加速卡可用的 om 模型。预计总时长 25~30 分钟。

通过实际操作，让大家深入了解如何利用 AI Notebook 完成深度学习模型训练并部署到昇腾Atlas200i DK上，使用昇腾加速板卡完成目标检测。在这个过程中，大家将学习到，在 AI Notebook 中一键拉起 GPU/NPU 环境，无需本地安装驱动；完成数据集上传、标注校验及 yaml 配置；分别使用 CPU 与 NPU 启动训练，体验 40× 的加速差异；将训练得到的 PyTorch 权重导出为 ONNX，并通过 ATC 工具转换为昇腾 om 模型；把 om 模型集成到RTRC4H智能网联微缩模型车，实现端到端推理验证。

1.2 适用对象

l  企业

l  个人开发者

l  高校学生

1.3 案例时间

本案例总时长预计40分钟。

1.4 案例流程

说明：

①     领取开发者空间的AI notebook，并启动预置镜像 YOLOV9_for_PyTorch；

②     上传并解压工程包，使用 pip 补全 seaborn、tensorboard 等依赖；

③     在 AI Notebook 中上传数据集与标签，配置 mask_data.yaml；

④     执行 NPU 训练（≈30 s/epoch），完成后导出 ONNX 并转换为 om 模型；

⑤     将 om 模型回传功能包，运行演示程序完成车端推理验证。

2 AI notebook实践

2.1 AI notebook简介

面向广大开发者群体，华为开发者空间提供“零成本、零安装、零配置”的一站式 AI 开发体验。
其中AI Notebook 是基于华为云昇腾 910B NPU 的在线 JupyterLab 环境，内置 8 vCPU、32 GiB 内存、24 GB 显存的 NPU 算力，并预装 PyTorch-2.1/CANN-7.0、CUDA 11.8 及常用 AI 框架，开箱即可训练、调试、部署。

进入华为开发者空间工作台界面，点击打开云主机> AI notebook。

2.2 配置AI notebook

本案例中，使用华为云AI Notebook作为云上开发平台，完成代码托管、代码检查、编译构建和部署的功能。

1.       在浏览器中输入华为云网址：https://www.huaweicloud.com/进入华为云首页。

2.       在华为云的首页右上方，点击登录，在弹出的对话框中输入自己的用户名和密码。

3.       在华为云首页，依次选择工作台>我的开发工具>AI notebook，进入AI notebook页面。

4.       选择关联模型YOLOV9_for_pyTorch。

5.       点击立即启动即可。

2.3 部署YOLOV5环境

2.3.1 提前准备工程包

打开终端，在终端中运行以下指令下载功能包

git clone https://gitee.com/lezhixing-chongqing/yolov5-huawei-training.git

2.3.2 功能包解压，补全依赖

1.       解压功能包

2.       在终端执行以下代码下载相关依赖

pip install seaborn -i https://mirrors.ustc.edu.cn/pypi/web/simple
pip install tensorboard -i https://mirrors.ustc.edu.cn/pypi/web/simple

2.3.3 准备数据集以及验证集

首先进入功能包cd /yolov5-huawei-training/yolov5-mask-42-master

进入数据集配置路径yolov5-mask-42-master/YOLO_Mask/score

数据集配置首先进入配置文件路径yolov5-mask-42-master/data/mask_data.yaml

数据集及标签配置如下

2.3.3.1 YOLOV5本身不支持华为的NPU板卡，需要添加YOLOV5的NPU板卡接口

首先进入到YOLOv5 的工具函数yolov5-mask-42-master/utils/torch_utils.py

对这个函数进行替换def select_device(device='', batch_size=None, newline=True):

   

2.4 开始训练

cpu训练指令（大约20分钟每轮）

python train.py \
--data data/mask_data.yaml \
--weights yolov5s.pt \
--cfg models/yolov5s.yaml \
--epochs 100 \
--batch-size 8 \
--imgsz 640 \
--device cpu \
--workers 8 \
--cache ram

npu训练指令（大约30秒每轮）

python train.py \
--data data/mask_data.yaml \
--weights yolov5s.pt \
--cfg models/yolov5s.yaml \
--epochs 100 \
--batch-size 8 \
--imgsz 640 \
--device npu \
--workers 8 \
--cache ram

相关产出文件

训练完训练完成后得到权重文件需转换为ONNX格式来适配后期昇腾板卡加速模块

python export.py \
--weights runs/train/exp7/weights/best.pt \
--img-size 640 640 \
--device cpu \
--simplify

最后将我们需要的ONNX模型从AI notebook导出

2.5 车端推理与系统集成

本节补充如何把 AI Notebook 产出的 ONNX 模型真正部署到车载 Atlas 200I DK A2（以下简称「RTRC4H」），并完成端到端闭环验证。

2.5.1 RTRC4H硬件拓扑

奥比中光Gemini 335（感知模块）

奥比中光Gemini 335是一款高性能双目3D摄像头，它配备了Type-C和8-Pin多机同步硬件接口，支持DC 5V≥1.5A供电，平均功耗低于2.5W，具备USB 3.0 & USB 2.0的UVC相机接口，并内置IMU，提供灵活的安装方式，包括1/4-20 UNC和M3螺纹安装孔，以适应各种应用场景。

基本规格如下表：

表2-15 摄像头规格

名称	最小值
适用场景	室内和室外
相机原理	双目视觉
基线	50mm
数据接口	USB3.0&USB2.0
多机同步接口	8-pin接口
USB接口	Type-C
相机驱动	UVC

Gemini335支持Type-C和8-pin多机同步硬件接口，如下图所示：

摄像头接口图

Atlas 200I DK A2(决策模块)

Atlas 200I DK A2是一款基于昇腾310处理器的AI开发者套件，具备20TOPS INT8的计算能力，支持图像、视频分析和推理，适用于智能监控、机器人和无人机等应用场景。具有丰富的硬件接口，提供一键制卡和便捷的开箱样例，如启动、网络配置、远程访问和运行示例。

Atlas 200I DK A2

蜂鸟底盘(执行模块)

蜂鸟底盘具有小巧、便捷，更加高效、实现强量化和模块化。底盘设计中考虑了智能网联技术的集成，在转向系统上也进行了优化。

蜂鸟底盘优化了第三代的诸多缺点，在蜂鸟地盘上加装单片机、遥控模块和车辆灯光。增加了底盘转向系统。

阿克曼转向：适应车轮在转弯过程中所需的不同半径。

四轮同项：提高车辆的机动性和稳定性。

四轮异向：能够显著提高车辆的灵活性和操控性。

蜂鸟底盘

1.       底盘接口

蜂鸟底盘接口与核心板

2.5.2 ONNX模型上车流程

使用我们提供的功能包中运行ATC模型转换工具把ONNX模型转换为MindSDK和AscendCL使用的OM格式

2.5.3 RTRC4H控制流程

2.5.4 RTRC4H性能实测

场景	帧率	时延 (ms)	mAP@0.5	备注
正常环境	30 fps	28	0.92	散热片 55 ℃
强光环境	30 fps	32	0.85	强光过曝，ISP Gamma 增强
沙盘 3.6 km/h	25 fps	35	0.82	开启动态 ROI