YOLOv5——从.pt模型到昇腾.om离线模型

1.模型的训练

首先完成yolov5模型的训练，直接训练得到的模型为.pt格式

YOLOv5——模型的训练train.py与图片的标注-优快云博客https://blog.youkuaiyun.com/myhfory/article/details/143468220

2.模型格式.pt->.onnx

使用yolov5项目中自带的export.py文件，将.pt文件转换为.onnx模型文件，运行后会在pt文件同级文件夹生成onnx模型文件

YOLOv5——使用export.py把pt格式模型输出为onnx模型_yolov5 pt转onnx-优快云博客https://blog.youkuaiyun.com/myhfory/article/details/141441442?spm=1001.2014.3001.5501

格式转换完成后，可以使用detect.py文件对.onnx模型进行测试，只需将参数里的模型换为转换好的onnx模型

python detect.py --weight yolov5s.onnx --source demo.mp4 --data coco.yaml 
 
# yolov5s.onnx为转换得到的onnx模型

YOLOv5推理——detect.py参数列表及常用参数-优快云博客https://blog.youkuaiyun.com/myhfory/article/details/143466597

3.ATC工具.onnx->.om

使用ATC工具完成把.onnx模型转换为.om模型

1）查看型号

使用npu-smi info查看香橙派什么型号

2）模型转换

模型转换指令

atc --model=yolov5s.onnx --framework=5 --output=yolov5s --input_format=NCHW --input_shape="images:1,3,640,640" --soc_version=Ascend310B4 

--model:ONNX模型文件存储路径
--framework:原始框架类型，5表示ONNX
--output:离线om模型的路径以及文件名
--input_format:原模型输入张量格式，yolov5.onnx模型为NCHW格式
--input_shape:执行推理时模型输入数据的shape
--soc_version：昇腾AI处理器的型号

有两种方式：

直接在板子上进行模型转换，但速度较慢

或者使用虚拟机，搭建环境，在虚拟机上进行模型转换

①直接在昇腾机器上运行ATC工具

由于转换速度太慢所以我选择在虚拟机中进行模型的转换

②使用虚拟机转换模型

首先要有一个虚拟机，本文使用的是unbuntu24.04，版本比较新，不过版本应该不是什么大问题。

安装配置虚拟机可以参考下面的链接：

VMware虚拟机下安装Ubuntu20.04（保姆级教程）_ubuntu 20.04 虚拟机-优快云博客https://blog.youkuaiyun.com/qq_45657288/article/details/116084337#:~:text=%E6%9C%AC%E6%96%87%E8%AF%A6%E7%BB%86%E4%BB%8B%E7%BB%8D%E4%BA%86%E5%A6%82%E4%BD%95%E5%9C%A8VMware%E8%99%9A%E6%8B%9F%E6%9C%BA%E4%B8%AD%E5%AE%89%E8%A3%85%EE%80%80Ubuntu20.04%EE%80%81%E7%B3%BB%EE%80%80%E7%BB%9F%EF%BC%8C%E5%8C%85%E6%8B%AC%E9%95%9C%EE%80%81%E5%83%8F%E4%B8%8B%E8%BD%BD%E3%80%81%E8%99%9A%E6%8B%9F%E6%9C%BA%E9%85%8D%E7%BD%AE%E3%80%81%E5%AE%89%E8%A3%85%E8%AE%BE%E7%BD%AE%E3%80%81%E7%BD%91%E7%BB%9C%E6%B5%8B%E8%AF%95%E7%AD%89%E6%AD%A5%E9%AA%A4%EF%BC%8C%E5%B9%B6%E6%8F%90%E4%BE%9B%E4%BA%86%E7%BD%91%E7%9B%98%E9%93%BE%E6%8E%A5%E5%92%8C%E6%88%AA%E5%9B%BE%E3%80%82%E9%80%82%E5%90%88%E5%88%9D%E5%AD%A6%E8%80%85%E5%92%8C%E6%83%B3%E8%A6%81%E5%BF%AB%E9%80%9F%E6%90%AD%E5%BB%BAUbuntu%E8%99%9A%E6%8B%9F%E6%9C%BA%E7%9A%84%E7%94%A8%E6%88%B7%E5%8F%82%E8%80%83%E3%80%82

然后安装进行ATC转换需要使用到的CANN包（建议不要用太新的版本T-T）

CANN 社区版历史版本-昇腾社区 (hiascend.com)https://www.hiascend.com/zh/software/cann/community-history本文使用的是6.2.RC2.alpha001版本，因此在虚拟机里需要下载两个软件包：

Ascend-cann-nnrt_6.2.RC2_linux-x86_64.run

Ascend-cann-toolkit_6.2.RC2_linux-x86_64.run

把他们转移到虚拟机里，或者直接在虚拟机里下载，然后使用命令行进入软件所在目录，检查包完整性并安装

chmod +x Ascend-cann-nnrt_6.2.RC2_linux-x86_64.run
chmod +x Ascend-cann-toolkit_6.2.RC2_linux-x86_64.run
#赋予权限
 
./Ascend-cann-nnrt_6.2.RC2_linux-x86_64.run --check
./Ascend-cann-toolkit_6.2.RC2_linux-x86_64.run --check
#检查安装包完整性

安装软件包

./Ascend-cann-nnrt_6.2.RC2_linux-x86_64.run--install
./Ascend-cann-toolkit_6.2.RC2_linux-x86_64.run --install
#安装

最终显示成功安装。

然后配置环境变量，否则不能在命令行直接使用atc工具

vi ~/.bashrc
 
export ASCEND_TOOLKIT_HOME=/usr/local/Ascend/ascend-toolkit/latest
export LD_LIBRARY_PATH=${ASCEND_TOOLKIT_HOME}/lib64:${ASCEND_TOOLKIT_HOME}/lib64/plugin/opskernel:${ASCEND_TOOLKIT_HOME}/lib64/plugin/nnengine:/usr/local/Ascend/ascend-toolkit/latest/x86_64-linux/devlib/:$LD_LIBRARY_PATH
export PYTHONPATH=${ASCEND_TOOLKIT_HOME}/python/site-packages:${ASCEND_TOOLKIT_HOME}/opp/op_impl/built-in/ai_core/tbe:$PYTHONPATH
export PATH=${ASCEND_TOOLKIT_HOME}/bin:${ASCEND_TOOLKIT_HOME}/compiler/ccec_compiler/bin:$PATH
export ASCEND_AICPU_PATH=${ASCEND_TOOLKIT_HOME}
export ASCEND_OPP_PATH=${ASCEND_TOOLKIT_HOME}/opp
export TOOLCHAIN_HOME=${ASCEND_TOOLKIT_HOME}/toolkit
export ASCEND_HOME_PATH=${ASCEND_TOOLKIT_HOME}
 
source ~/.bashrc

配置完成后，直接命令行输入atc显示如图，即为成功(root权限下)