README_cn.md

中文|英文

通用分类网络应用

本Application支持运行在Atlas 200 DK或者AI加速云服务器上，实现了对常见的分类网络的推理功能并输出前n个推理结果。

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。

1. 获取源码包。

   将https://github.com/Ascend/sample-classification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/ascend/sample-classification。

2. 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/classification。

   表 1 通用分类网络应用使用模型

   模型名称	模型说明	模型下载路径
   alexnet	图片分类推理模型。 是基于Caffe的AlexNet模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/alexnet目录中README.md下载原始网络模型文件及其对应的权重文件。
   caffenet	图片分类推理模型。 是基于Caffe的CaffeNet模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/caffenet目录中README.md下载原始网络模型文件及其对应的权重文件。
   densenet	图片分类推理模型。 是基于Caffe的DenseNet121模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/densenet目录中README.md下载原始网络模型文件及其对应的权重文件。
   googlenet	图片分类推理模型。 是基于Caffe的GoogLeNet模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/googlenet目录中README.md下载原始网络模型文件及其对应的权重文件。
   inception_v2	图片分类推理模型。 是基于Caffe的Inception V2模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/inception_v2目录中README.md下载原始网络模型文件及其对应的权重文件。
   inception_v3	图片分类推理模型。 是基于Caffe的Inception V3模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/inception_v3目录中README.md下载原始网络模型文件及其对应的权重文件。
   inception_v4	图片分类推理模型。 是基于Caffe的Inception V4模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/inception_v4目录中README.md下载原始网络模型文件及其对应的权重文件。
   mobilenet_v1	图片分类推理模型。 是基于Caffe的MobileNet V1模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/mobilenet_v1目录中README.md下载原始网络模型文件及其对应的权重文件。
   mobilenet_v2	图片分类推理模型。 是基于Caffe的MobileNet V2模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/mobilenet_v2目录中README.md下载原始网络模型文件及其对应的权重文件。
   resnet18	图片分类推理模型。 是基于Caffe的ResNet 18模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/resnet18目录中README.md下载原始网络模型文件及其对应的权重文件。
   resnet50	图片分类推理模型。 是基于Caffe的ResNet 50模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/resnet50目录中README.md下载原始网络模型文件及其对应的权重文件。
   resnet101	图片分类推理模型。 是基于Caffe的ResNet 101模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/resnet101目录中README.md下载原始网络模型文件及其对应的权重文件。
   resnet152	图片分类推理模型。 是基于Caffe的ResNet 152模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/resnet152目录中README.md下载原始网络模型文件及其对应的权重文件。
   vgg16	图片分类推理模型。 是基于Caffe的VGG16模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/vgg16目录中README.md下载原始网络模型文件及其对应的权重文件。
   vgg19	图片分类推理模型。 是基于Caffe的VGG19模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/vgg19目录中README.md下载原始网络模型文件及其对应的权重文件。
   squeezenet	图片分类推理模型。 是基于Caffe的SqueezeNet模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/squeezenet目录中README.md下载原始网络模型文件及其对应的权重文件。
   dpn98	图片分类推理模型。 是基于Caffe的dpn98模型。	请参考https://github.com/Ascend/models/tree/master/computer_vision/classification/dpn98目录中README.md下载原始网络模型文件及其对应的权重文件。

3. 将原始网络模型转换为Davinci模型。

   1. 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。

   2. 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中对应的模型名称。

      • googlenet、inception_v2模型中，通用分类网络应用一次处理一张图片，所以转换时需要将Input Shape的N修改为1

        图 1 Input Shape配置示例
        

   3. 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/xxx。

4. 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/XXX/tools/che/ddk/ddk

   export LD_LIBRARY_PATH=$DDK_HOME/uihost/lib

   说明：

   • XXX为Mind Studio安装用户，/home/XXX/tools为DDK默认安装路径。
   • 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

1. 以Mind Studio安装用户进入通用分类网络应用代码所在根目录，如_/home/ascend/sample-classification_。

2. 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。
   • model_mode 代表模型文件的部署方式，默认为internet。
     • 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-classification/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

3. 参考表1将需要使用的已经转换好的Davinci离线模型文件与需要推理的图片上传至Host侧任一属组为HwHiAiUser用户的目录。

   例如将模型文件alexnet.om上传到Host侧的“/home/HwHiAiUser/models“目录下。

   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

1. 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。

2. 进入贯通网络的可执行文件所在路径。

   cd ~/HIAI_PROJECTS/ascend_workspace/classification/out

3. 执行应用程序。

   执行run_classification.py脚本会将推理结果在执行终端直接打印显示。

   命令示例如下所示：

   python3 run_classification.py -m ~/models/alexnet.om -w 227 -h 227 -i

   ./example.jpg -n 10

   • -m/--model_path：离线模型存储路径。
   • -w/model_width：模型的输入图片宽度，为16~4096之间的整数，请参考表1在Github上查看所使用模型文件的Readme，获取模型要求的输入数据的宽和高。
   • -h/model_height：模型的输入图片高度，为16~4096之间的整数，请参考表1在Github上查看所使用模型文件的Readme，获取模型要求的输入数据的宽和高。
   • -i/input_path：输入图片的路径，可以是目录，表示当前目录下的所有图片都作为输入（可以指定多个输入）。
   • -n/top_n：输出前n个推理结果。

   其他详细参数请执行python3 run_classification.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-classification/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。	https://github.com/Ascend/sdk-ezdvpp 下载后请保持文件夹名称为ezdvpp。