【昇腾故障案例-模型推理】使用Atlas 200I DK A2进行atc模型转换出现的问题以及解决方法

最新推荐文章于 2025-12-02 00:06:55 发布
原创 最新推荐文章于 2025-12-02 00:06:55 发布 · 1.2k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

当使用atc进行模型转换时遇到速度慢或卡顿，可能是因为内存耗尽。解决方案是创建swap分区来缓解内存压力。步骤包括：检查内存使用情况，分配4G的swap文件，修改文件权限，创建并挂载swap分区，最后确认挂载成功。

一、问题现象

使用atc转换模型的过程中会出现转换过程很慢甚至卡住不动的情况，排查问题后发现是内存跑满了。
在这里插入图片描述

二、解决办法

解决办法就是创建交换分区分担内存压力，方法如下：

1.通过free -h命令查看内存使用情况，如果内存总量小于4G，则需要挂载swap分区
free -h
2.申请一个4G的文件作为swap分区【推荐2.5G以上，请提前预留足够的空间】
sudo fallocate -l 4G /swapfile
3.修改文件权限
sudo chmod 600 /swapfile
4.创建swap分区<
最低0.47元/天 解锁文章
华为昇腾310 ATC模型转换、CPP推理案例使用
weixin_42357472的博客
05-30 728
运行结果在上一层级out目录下。
极智AI | 昇腾 CANN ATC 模型转换
极智视界
11-11 2029
大家好，我是极智视界，本文介绍一下 昇腾 CANN ATC 模型转换。
使用ATC工具将主流开源框架模型转换为昇腾模型
m0_71340392的博客
02-26 2092
本文介绍了昇腾CANN提供的模型转换工具ATC，介绍了其功能、架构，并以具体样例介绍了该工具的基本使用方法以及常用设置。
使用atc工具进行onnx到om转换踩坑记录
zhuangyuan7838的博客
09-30 6420
在客户端输入得到如下图所示：得到的310B4就是设备名称，在使用时在前面加上Ascend就是–soc_version的值。
【2023 · CANN训练营第一季】- 应用开发深入讲解 第一节 学习笔记
weixin_55250043的博客
05-17 236
模型：pytorch框架的ResNet-50开源模型输入数据：RGB格式、224*224分辨率的输入图片。输出数据：图片的类别标签及其对应置信度。归一化：需要进行减均值（[0.485,0.456,0.406]）及乘系数（[0.229,0.224,0.225]）操作。
基于昇腾CANN的推理应用开发--语义分割（Python）
qq_40679625的博客
06-05 1249
基于 Python 开发，通过网络模型加载、推理、结果输出的部署全流程展示，快速熟悉并掌握语义分割基本开发流程。
【Atlas200】华为适配ATC模型转换工具
种一棵树最好的时间是十年前，其次是现在
05-18 2642
ATC模型转换工具具有高效、快速、准确的特点，可以帮助用户将深度学习模型快速部署到华为AI芯片上，从而实现高效的推理和计算。要解决该问题，需要在运行ATC工具时指定正确的–soc_version参数。其中，“–input_shape ”中的“-1”表示设置动态BatchSize，具体支持哪些BatchSize由“–dynamic_batch_size”决定。其中，“–input_shape ”中的“-1,-1”表示设置动态分辨率，具体支持哪些分辨率由“–dynamic_image_size ”决定。
onnx在华为昇腾AI模型转换过程中的报错The Add_718 op dtype is not same, type1:DT_INT64, type2:DT_INT32
wentinghappyday的博客
10-08 2262
onnx模型在华为昇腾硬件平台转换om中遇到的问题以及解决
精选资源
基于华为昇腾Atlas 200I DK A2开发板，使用NPU对现有的YOLOv5S目标检测模型进行硬件加速，同时使用注意力机制对YOLO的主干网络进行优化（python源码）
12-09
基于华为昇腾Atlas 200I DK A2开发板，使用NPU对现有的YOLOv5S目标检测模型进行硬件加速，同时使用注意力机制对YOLO的主干网络进行优化（python源码） 基于华为昇腾Atlas 200I DK A2开发板，使用NPU对现有的YOLOv5S...
【Atlas 200I DK A2 体验】部署样例 sampleYOLOV7MultiInput
06-29
7. 实验设备和开发方式： 实验设备使用 Atlas 200I DK A2 作为软件部署的 host 侧（用 CPU），作为推理芯片，进行模型推理（用 NPU）。开发方式包括使用 AscendCL 编程接口、开发者套件等。 知识点： 实验设备、 ...
精选资源
YOLOv8在华为昇腾开发板Atlas 200I DK A2上部署
05-23
特别是随着人工智能技术的快速发展，将YOLOv8部署在华为昇腾开发板Atlas 200I DK A2上，能够充分利用国产AI硬件的优势，推动算法在实际应用中的落地。华为昇腾开发板Atlas 200I DK A2搭载了华为自研的昇腾系列AI...
Atlas 200I DK A2 开发者套件23.0.RC2硬件接口使用指南
04-09
### Atlas 200I DK A2 开发者套件23.0.RC2硬件接口使用指南 #### 一、内容概述 本指南旨在帮助开发者熟悉并掌握Atlas 200I DK A2开发者套件23.0.RC2（以下简称“A2套件”）的各种硬件接口及其使用方法。A2套件是一...
ATC模型转换
qq_49723795的博客
10-10 4946
（1）在使用昇腾硬件（例如Atlas200）进行模型推理的时候，首先需要使用ATC工具将原始模型转换为适合昇腾硬件的模型（.om），支持原始框架类型为Caffe、TensorFlow、MindSpore、ONNX的模型转换，其中ONNX可以看做是一个中间模型，如果其他模型可以转换为ONNX模型那么也可以在使用ATC进行模型转换，例如pytorch模型转换为ONNX模型，ONNX模型再转换为.om文件。 （2）常用参数解释： --model：原始模型文件路径与文件名 --weight：权重文件路径与文件
玩转Atlas200DK（九）ATC模型转换
张小白
05-06 1811
九、MindStudio 3.0.4的模型转换 1、背景 在前文 张小白：玩转Atlas 200DK（四）MindStudio安装与配置0 赞同 · 0 评论文章正在上传…重新上传取消 《使用MindStudio打开resnet50_imagenet_classification样例工程》一节中，张小白为了生成200DK所需要的离线模型，是直接在运行环境200DK上用命令行完成了相关的转换功能： 在 张小白：玩转Atlas 200DK（五）OpenCV的安装0 赞同 · 0
昇腾ACL应用开发之模型转换ATC
qq_52859223的博客
02-21 3947
对于大家没有足够的Ascend硬件资源，手里只有一块开发板，而且内存不足的时候，CANN-TOOLKIT也支持在非昇腾的设备上进行安装，就比如我们在windows上安装linux-ubuntu的虚拟机，虚拟机里面进行安装该软件，但是在安装的过程中大家会遇到一个问题，就是在非root用户下进行安装，在安装的时候没有加必要的参数，所以建议大家也可以所有操作都在root用户下操作，包括模型转换以及安装过程、模型文件的所属用户都是root用户。--output_type根据onnx模型的输出进行配置；
华为昇腾AI处理器，atc模型转换和推理过程，华为的CANN库对标的是NVIDIA的cuda，所以在华为昇腾AI处理器上安装了CANN后，就可以直接使用pytorch了，以及推理框架(参考学习)
pvmsmfchcs的博客
05-23 1253
第一个是：ais_bench，这个是一般随晟腾芯片安装预装在系统中了，他是ai demo，可以直接使用juptter运行：安装以及运行链接，大部分可能直接使用这个工具是零时用一下ai推理，但是在商业环境部署中不推荐。参考链接：https://blog.youkuaiyun.com/clever101/article/details/134603562。CANN支持下面的框架，所以Yolov5这些用pytorch写的是直接可以用的，不过需要把模型转换为华为的Om模型就可以了。第二个是：mindx（
Atlas 200I DK A2开发板问题总结
qq_43820692的博客
09-22 1856
总结了Atlas200I DK在开发配置过程中遇到的问题及解决方法。
ATC分类模型转换工具报错： opname[data] is not exist
南沙的星星
03-31 1561
华为ATC分类模型转换工具报错： root@zhou:/media/sf_share/08-model/resnet50# atc --model=ResNet-50-deploy-2.prototxt --weight=resnet50.caffemodel --framework=0 --output=resnet50 --soc_version=Ascend310 --input_format=NCHW --input_fp16_nodes=data -output_type=FP32 --out_n
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
最新发布
hiliang521的博客
12-02 801
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值