Skip to content

Latest commit

 

History

History
186 lines (124 loc) · 9.8 KB

README_cn.md

File metadata and controls

186 lines (124 loc) · 9.8 KB

中文|英文

ObjDetection

本Application支持运行在Atlas 200 DK实现了对faster-rcnn目标检测网络的实时推理功能。

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。

  1. 获取源码包。

    将https://github.com/Ascend/objDetection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/objDetection。

  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/faster_rcnn。

    表 1 检测网络应用使用模型

    模型名称

    模型说明

    模型下载路径

    faster_rcnn

    目标检测网络模型。

    是基于Caffe的Faster RCNN模型。

    请参考https://github.com/Ascend/models/tree/master/computer_vision/object_detect/faster_rcnn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对应的模型名称：faster_rcnn。

      • 其他保持默认值。

        图 1 faster_rcnn模型转换配置

    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/fast_rcnn。

  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安装用户进入目标检测网络应用代码所在根目录，如_/home/ascend/objDetection_。

  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。
    • 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

  3. 将需要使用的已经转换好的Davinci离线模型文件上传至Host侧_~/HIAI_PROJECTS/ascend_workspace/objDetection/out_目录下。

    

    4. 



scp faster_rcnn.om HwHiAiUser@host_ip:/home/HwHiAiUser/HIAI_PROJECTS/ascend_workspace/objDetection/out/faster_rcnn.om
```


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）。



运行


    

  1. 

    在Mind Studio所在Ubuntu服务器中，执行
    

    

    2. 



python3 run_server.py
```


    

  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）。
    

    2. 

  2. 

    进入路面分割网络应用的可执行文件所在路径。
    

    cd ~/HIAI_PROJECTS/ascend_workspace/segmentation/out
    

    3. 

  3. 

    执行应用程序
    

    使用相机获取图片
    

    ./ascend_segmentation
    

    image2
    

    使用测试图片
    

    ./ascend_segmentation 1
    

    pic
    

    4. 



公共代码库下载


将依赖的软件库下载到“objDetection/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。