企业官网建设流程全解析

样例使用指导

【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge

功能描述

该样例主要是基于Onnx ResNet-50网络（单输入、单Batch）实现图片分类的功能。

在该样例中：

1. 先使用样例提供的脚本transfer_pic.py，将2张*.jpg图片都转换为*.bin格式，同时将图片从1024*683的分辨率缩放为224*224。
2. 加载离线模型om文件，对2张图片进行同步推理，分别得到推理结果，再对推理结果进行处理，输出top5置信度的类别标识。

在加载离线模型前，提前将Onnx ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型。

目录结构

├── data │ ├── dog1_1024_683.jpg // 测试数据,需要按指导获取测试图片,放到data目录下 │ ├── dog2_1024_683.jpg // 测试数据,需要按指导获取测试图片,放到data目录下 ├── model │ ├── resnet50.om // Onnx ResNet-50网络的模型文件,需要按指导获取atc转换后的om文件,放到model目录下 ├── scripts │ ├── build.sh // sample编译脚本 │ ├── run.sh // sample运行脚本 │ ├── transfer_pic.py // 将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224 ├── src │ ├── acl.json // 系统初始化的配置文件 │ ├── CMakeLists.txt // 编译配置脚本 │ ├── sample_resnet50_imagenet_classification.cpp // 主函数，图片分类功能的实现文件 ├── CMakeLists.txt // 编译脚本，调用src目录下的CMakeLists文件

环境准备

• 通过安装指导 环境准备正确安装toolkit和ops包

• 设置环境变量 (假设包安装在/usr/local/Ascend/)

  source /usr/local/Ascend/cann/set_env.sh

实现步骤

1. 以运行用户登录开发环境。

2. 下载代码并上传至环境后，请先进入根目录下"examples/acl/1_sample_resnet50_imagenet_classification"样例目录。

   请注意，下文中的样例目录均指"examples/acl/1_sample_resnet50_imagenet_classification"目录。

3. 准备ResNet-50模型。

   1. 获取ResNet-50原始模型。

      您可以从以下链接中获取ResNet-50网络的模型文件，并以运行用户将获取的文件上传至开发环境的"样例目录/model"目录下。如果目录不存在，需要自行创建。

      • ResNet-50网络的模型文件（*.onnx）：单击Link下载该文件。

   2. 将ResNet-50原始模型转换为适配昇腾AI处理器的离线模型（*.om文件）。

      切换到样例目录，执行如下命令(以Atlas A2系列产品为例)：

      cd "样例目录/model" atc --model=resnet50_Opset16.onnx --framework=5 --output=resnet50 --soc_version=Ascend910B1 --input_format=NCHW --output_type=FP32

      • --model：原始模型文件路径。

      • --framework：原始框架类型。0：表示Caffe；1：表示MindSpore；3：表示TensorFlow；5：表示ONNX。

      • --soc_version：昇腾AI处理器的版本。版本获取可参考Link。

      • --output_type：指定输出的数据类型为float32。

      • --output：生成的resnet50.om文件存放在"样例目录/model"目录下。建议使用命令中的默认设置，否则在编译代码前，您还需要修改sample_resnet50_imagenet_classification.cpp 中的omModelPath参数值。

        const char* omModelPath = "../model/resnet50.om";

4. 准备测试图片。

   1. 可以按照以下命令获取样例的输入图片，输入图片需要放置到"样例目录/data"目录下。如果目录不存在，需自行创建。如果wget失败，您也可以直接在浏览器中输入以下链接下载后上传至"样例目录/data"目录。

      cd "样例目录/data" wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg

   2. 切换到"样例目录/data"目录下，执行transfer_pic.py脚本，将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224。在"样例目录/data"目录下生成2个*.bin文件。

      python3 ../scripts/transfer_pic.py

      如果执行脚本报错"ModuleNotFoundError: No module named 'PIL'"，则表示缺少Pillow库，请使用pip3 install Pillow --user命令安装Pillow库。

构建验证

1. 以运行用户登录开发环境。

2. 请先进入根目录下"examples/acl/1_sample_resnet50_imagenet_classification"样例目录。

   请注意，下文中的样例目录均指"examples/acl/1_sample_resnet50_imagenet_classification"目录。

3. 切换到"样例目录/scripts",编译程序。

   bash build.sh

4. 运行程序

   bash run.sh

5. 执行结果

   执行成功后，在屏幕上的关键提示信息示例如下，提示信息中的index表示类别标识、value表示该分类的最大置信度，这些值可能会根据版本、环境有所不同，请以实际情况为准：

   [INFO] acl init success [INFO] open device 0 success [INFO] create context success [INFO] create stream success [INFO] load model ../model/resnet50.om success [INFO] start to process file:../data/dog1_1024_683.bin [INFO] model execute success [INFO] top 1: index[161] value[xxxxxx] [INFO] top 2: index[xxx] value[xxxxxx] [INFO] top 3: index[xxx] value[xxxxxx] [INFO] top 4: index[xxx] value[xxxxxx] [INFO] top 5: index[xxx] value[xxxxxx] [INFO] output data success [INFO] start to process file:../data/dog2_1024_683.bin [INFO] model execute success [INFO] top 1: index[267] value[xxxxxx] [INFO] top 2: index[xxx] value[xxxxxx] [INFO] top 3: index[xxx] value[xxxxxx] [INFO] top 4: index[xxx] value[xxxxxx] [INFO] top 5: index[xxx] value[xxxxxx] [INFO] output data success [INFO] SAMPLE PASSED

   说明：类别标签和类别的对应关系与训练模型时使用的数据集有关，本样例使用的模型是基于imagenet数据集进行训练的，您可以在互联网上查阅imagenet数据集的标签及类别的对应关系。 当前屏显信息中的类别标识与类别的对应关系如下： "161": ["basset", "basset hound"]、 "267": ["standard poodle"]。

【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge