近年來，國產化替代的進程正在加快。在眾多國產平臺中，昇騰平臺具有高性能、低功耗、易擴展、軟件棧全面成熟等優(yōu)勢，其產品和技術在國內眾多領域實現(xiàn)了廣泛應用；作為昇騰的APN伙伴和IHV合作伙伴，英碼科技攜手昇騰推出了一系列邊緣計算產品，具備性能強勁、更寬工溫、外設接口豐富、利舊性強等特點，同時，得益于昇騰AI軟件棧的全面支持，這些產品為各行業(yè)AI應用高效、低成本落地提供了強有力的支撐。

YOLOv7是目前YOLO系列目標檢測算法的最新版本，能夠快速檢測多種尺度和多標簽的對象，同時具有高精度、低時延等特點，是目標較為主流的目標檢測算法，在安防監(jiān)控、自動駕駛、醫(yī)療影像分析等領域發(fā)揮著重要的作用。

今天來介紹【基于昇騰AI】技術干貨系列的另一個主題：如何將Yolov7模型遷移到昇騰平臺？

下面以英碼科技基于昇騰平臺開發(fā)的EA500I邊緣計算盒子為硬件載體，詳細講解Yolov7模型遷移的流程，以及實際應用的演示。

Yolov7模型遷移到昇騰平臺&案例演示

前置條件

開發(fā)環(huán)境部署說明

基于昇騰平臺的全系邊緣計算盒子已完成環(huán)境部署工作，客戶無需重新部署。

Yolov7源碼下載

git clone https://github.com/WongKinYiu/yolov7.git

預訓練模型的下載

cd yolov7
wget   --no-check-certificate https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt

*溫馨提示：如果下載速度慢可到官網(wǎng)下載

驗證模型是否可以正常識別圖片

python3 detect.py --weight yolov7.pt

訓練模型轉ONNX模型

由于 Ascend 推理工具還未支持Pytorch的pt,pth模型，需要轉換成ONNX才能使用yolov7有兩種訓練配置文件分別為deploy和traing，Detect層不一樣導致轉onnx上有略微區(qū)別，本次測試的為deploy

python3 export.py --weights yolov7.pt --grid --simplify --img-size 640 640

--weights：指定預訓練模型yolov7.pt

--grid: 保留 Detect層

--simplify ：簡化onnx模型結構

Yolov7模型推理（EA500I）

1、環(huán)境聲明

 export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest

創(chuàng)建THIRDPART_PATH路徑

mkdir -p ${THIRDPART_PATH}

acllite注：源碼安裝

ffmpeg

主要是為了acllite庫的安裝 執(zhí)行以下命令安裝x264

# 下載x264
cd ${HOME}
git clone https://code.videolan.org/videolan/x264.git
cd x264
# 安裝x264
./configure --enable-shared --disable-asm
make
sudo make install
sudo cp /usr/local/lib/libx264.so.164 /lib

執(zhí)行以下命令安裝ffmpeg

# 下載ffmpeg
cd ${HOME}
wget http://www.ffmpeg.org/releases/ffmpeg-4.1.3.tar.gz --no-check-certificate
tar -zxvf ffmpeg-4.1.3.tar.gz
cd ffmpeg-4.1.3
# 安裝ffmpeg
./configure --enable-shared --enable-pic --enable-static --disable-x86asm --enable-libx264 --enable-gpl --prefix=${THIRDPART_PATH}
make -j8
make install

執(zhí)行以下命令安裝acllite

cd ${HOME}/samples/inference/acllite/cplusplus
make
make install

opencv執(zhí)行以下命令安裝opencv(注:確保是3.x版本)

sudo apt-get install libopencv-dev

2、樣例運行

①數(shù)據(jù)準備請從以下鏈接獲取該樣例的輸入圖片，放在data目錄下。

cd $HOME/samples/inference/modelInference/sampleYOLOV7/data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg

②ATC模型轉換將

前面（5）的yolov7.onnx

模型轉換為適配昇騰310處理器的離線模型（*.om文件），放在model路徑下。

# 為了方便下載，在這里直接給出原始模型下載及模型轉換命令,可以直接拷貝執(zhí)行。

cd $HOME/samples/inference/modelInference/sampleYOLOV7/model
wget --no-check-certificate https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/yolov7x.onnx
wget --no-check-certificate https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/aipp.cfg
atc --model=yolov7x.onnx --framework=5 --output=yolov7x --input_shape="images:1,3,640,640"  --soc_version=Ascend310B1  --insert_op_conf=aipp.cfg

③樣例編譯執(zhí)行以下命令，執(zhí)行編譯腳本，開始樣例編譯。

cd $HOME/samples/inference/modelInference/sampleYOLOV7/scripts
bash sample_build.sh

④樣例運行執(zhí)行運行腳本，開始樣例運行。

bash sample_run.sh

⑤樣例結果展示運行完成后，會在樣例工程的out目錄下生成推理后的圖片，顯示對比結果如下所示

結語

以上詳細介紹了如何將Yolov7模型遷移到昇騰平臺EA500I邊緣計算盒子，希望能夠幫助提升研發(fā)效率、縮短項目落地時間，如需更多技術和產品支持，歡迎留言！

審核編輯 黃宇