服务器运行要实现的目标,sample-objectdetectionbyyolov3

中文|英文

Yolov3检测网络应用

本Application支持运行在Atlas 200 DK或者AI加速云服务器上，实现了对目标检测网络的推理功能。

前提条件

部署此Sample前，需要准备好以下环境：

已完成Mind Studio的安装。

已完成Atlas 200 DK开发者板与Mind Studio的连接，交叉编译器的安装，SD卡的制作及基本信息的配置等。

软件准备

运行此Sample前，需要按照此章节获取源码包，并进行相关的环境配置。

获取源码包。

将https://gitee.com/Atlas200DK/sample-objectdetctionbyyolov3仓中的代码以Mind Studio安装用户下载至Mind Studio所在Ubuntu服务器的任意目录，例如代码存放路径为：$HOME/sample-objectdetection。

获取此应用中所需要的原始网络模型。

参考表1获取此应用中所用到的原始网络模型及其对应的权重文件，并将其存放到Mind Studio所在Ubuntu服务器的任意目录，例如：$HOME/ascend/models/yolov3。

表 1 检测网络应用使用模型

将原始网络模型转换为Davinci模型。

在Mind Studio操作界面的顶部菜单栏中选择“Tool > Convert Model”，进入模型转换界面。

在弹出的Convert Model操作界面中，Model File与Weight File分别选择2中下载的模型文件和权重文件。

Model Name填写为表1对应的模型名称：yolov3。

其他保持默认值。

图 1 yolov3模型转换配置

单击OK开始转换模型。

模型转换成功后，后缀为.om的Davinci模型存放地址为：\$HOME/tools/che/model-zoo/my-model/yolov3。

将模型复制放到代码 script文件夹下，如：\$HOME/sample-objectdetection/script/

以Mind Studio安装用户登录Mind Studio所在Ubuntu服务器，并设置环境变量DDK_HOME。

vim ~/.bashrc

执行如下命令在最后一行添加DDK_HOME及LD_LIBRARY_PATH的环境变量。

export DDK_HOME=$HOME/tools/che/ddk/ddk

export LD_LIBRARY_PATH=$DDK_HOME/uihost/lib

说明：

如果此环境变量已经添加，则此步骤可跳过。

输入:wq!保存退出。

执行如下命令使环境变量生效。

source ~/.bashrc

部署

以Mind Studio安装用户进入目标检测网络应用代码所在根目录，如：$HOME/sample-objectdetection。

执行部署脚本，进行工程环境准备，包括公共库的编译与部署、应用的编译与部署等操作。

bash deploy.sh host_ip model_mode

host_ip：对于Atlas 200 DK开发者板，即为开发者板的IP地址。对于AI加速云服务器，即为Host的IP地址。

local：若Mind Studio所在Ubuntu系统未连接网络，请使用local模式，执行此命令前，需要参考公共代码库下载将依赖的公共代码库ezdvpp下载到“sample-objectdetection/script“目录下。

internet：若Mind Studio所在Ubuntu系统已连接网络，请使用internet模式，在线下载依赖代码库ezdvpp。

命令示例：

bash deploy.sh 192.168.1.2 internet

图片要求如下：

格式：jpg、png、bmp。

输入图片宽度：16px~4096px之间的整数。

输入图片高度：16px~4096px之间的整数。

运行

在Mind Studio所在Ubuntu服务器中，以HwHiAiUser用户SSH登录到Host侧。

ssh HwHiAiUser@host_ip

对于Atlas 200 DK，host_ip默认为192.168.1.2(USB连接)或者192.168.0.2(NIC连接)。

对于AI加速云服务器，host_ip即为当前Mind Studio所在服务器的IP地址。

进入Yolov3检测网络应用的可执行文件所在路径。

cd ~/HIAI_PROJECTS/ascend_workspace/objectdetection/out

执行应用程序。

执行run_object_detection_yolov3.py脚本会将推理生成的图片保存至指定路径。

命令示例如下所示：

python3 run_object_detection_yolov3.py -m yolov3.om -w 416 -h 416 -i

./example.jpg -o ./out -c 21

-m/--model_path：离线模型路径。

-w/model_width：模型的输入图片宽度，为16~4096之间的整数。

-h/model_height：模型的输入图片高度，为16~4096之间的整数。

-i/input_path：输入图片的目录/路径，可以有多个输入。

-o/output_path：输出图片的目录，默认为当前目录。

其他详细参数请执行python3 run_object_detection_yolov3.py --help命令参见帮助信息。

公共代码库下载

将依赖的软件库下载到“sample-objectdetection/script“目录下。

表 2 依赖代码库下载

模块名称

模块描述

下载地址

EZDVPP

对DVPP接口进行了封装，提供对图片/视频的处理能力。