动态ip上做网站,网站制作宜昌怎么做?,网络最火游戏排行榜,3d建模师工资一般多少整期笔记索引 香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试#xff08;一#xff09; 香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试#xff08;二#xff09; 香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试#xff08;… 整期笔记索引 香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试一 香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试二 香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试三 本章前言 在测试笔记一中我们已经掌握并搭建了板卡的初步调试环境。 在测试笔记二中我们开始逐步上手官方的Demo进行跑测首先测试的是Camera图像获取(USB接口)样例。 今天我们将要跑测目标检测(USB接口)样例。 官方Demo跑测——02 目标检测YoloV5s 【目标检测(USB接口)样例 链接】 Ascend/EdgeAndRobotics - Gitee.comhttps://gitee.com/ascend/EdgeAndRobotics/tree/master/Samples/YOLOV5USBCamera 【样例描述】 通过USB接口连接Camera与开发板从Camera获取视频基于yolov5s模型对输入视频中的物体做实时检测将推理结果信息使用imshow方式显示。 YOLOv5是一种单阶段目标检测器算法 YOLOv5s是YOLOv5系列中较为轻量的网络模型适合在边缘设备部署进 行实时目标检测。 1、设置环境变量 PS以HwHiAiUser用户登录开发板。 运行记录此处我使用的是命令行方式 (base) HwHiAiUserorangepiaipro:~$ export DDK_PATH/usr/local/Ascend/ascend-toolkit/latest(base) HwHiAiUserorangepiaipro:~$ export NPU_HOST_LIB$DDK_PATH/runtime/lib64/stub 2、安装ACLLite库 此处可以参考ACLLite仓安装ACLLite库。 ACLLite链接 Ascend/ACLLitehttps://gitee.com/ascend/ACLLite 【ACLLite库描述】 通过USB接口连接Camera与开发板从Camera获取视频基于yolov5s模型对输入视频中的物体做实时检测将推理结果信息使用imshow方式显示。 CANN版本要求 7.0及以上社区版本。 命名空间 模块 说明 acllite common 资源管理及公共函数模块 DVPPLite DVPP高阶封装模块 OMExecute 离线模型执行高阶封装模块 Media 媒体功能高阶封装模块 安装依赖 安装CANN参考社区文档安装CANN 安装ffmpeg 1通过如下命令查询OS版本 lsb_release -a 此处显示我的操作系统为Ubuntu 22.04 2根据版本选择安装方式 根据查询结果选择安装方式此处我选择的是Ubuntu 22.04及以上版本的安装方式apt安装 apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev 安装步骤 # 拉取ACLLite仓库并进入目录
git clone https://gitee.com/ascend/ACLLite.gitcd ACLLite # 设置环境变量其中DDK_PATH中/usr/local请替换为实际CANN包的安装路径
export DDK_PATH/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB$DDK_PATH/runtime/lib64/stub # 安装编译过程中会将库文件安装到/lib目录下所以会有sudo命令需要输入密码
bash build_so.sh 3、样例下载 可以使用以下两种方式下载请选择其中一种进行源码准备。 命令行方式下载下载时间较长但步骤简单。压缩包方式下载下载时间较短但步骤稍微复杂。 运行记录 # 登录开发板HwHiAiUser用户命令行中执行以下命令下载源码仓
cd ${HOME}git clone https://gitee.com/ascend/EdgeAndRobotics.git# 切换到样例目录cd EdgeAndRobotics/Samples/YOLOV5USBCamera PS所有运行均以HwHiAiUser用户登录开发板切换到当前样例目录。 4、准备测试视频 请从以下链接获取该样例的测试视频放在data目录下。 cd datawget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/test.mp4 --no-check-certificate PS若需更换测试视频则需自行准备测试视频并将测试视频放到data目录下。 5、获取PyTorch框架的Yolov5模型*.onnx 获取模型并转换为昇腾AI处理器能识别的模型*.om 先设置两个环境变量减少atc模型转换过程中使用的进程数减小内存占用。 export TE_PARALLEL_COMPILER1
export MAX_COMPILE_CORE_NUMBER1 然后直接给出原始模型下载及模型转换命令。 cd ../modelwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/yolov5s.onnx --no-check-certificatewget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/aipp.cfg --no-check-certificate 然后进行模型转换这一步时间稍长请耐心等待... atc --modelyolov5s.onnx --framework5 --outputyolov5s --input_shapeimages:1,3,640,640 --soc_versionAscend310B4 --insert_op_confaipp.cfgatc命令中各参数的解释如下详细约束说明请参见《ATC模型转换指南》。 --modelYolov5网络的模型文件的路径。--framework原始框架类型。5表示ONNX。--outputyolov5s.om模型文件的路径。请注意记录保存该om模型文件的路径后续开发应用时需要使用。--input_shape模型输入数据的shape。--soc_version昇腾AI处理器的版本。 PS这一步骤时间较长同时可以看到下图在运行该步骤时CPU运行占比较高。 完成后信息显示如下 6、编译样例源码 执行以下命令编译样例源码 cd ../scriptsbash sample_build.sh 7、运行样例 在HDMI连接屏幕场景执行以下脚本运行样例。此时会以画面的形式呈现推理效果。 bash sample_run.sh imshow HDMI的屏幕上显示如图 在直连电脑场景执行以下脚本运行样例。此时会以结果打屏的形式呈现推理效果。 bash sample_run.sh stdout 8、对比查看运行时的cpu和系统状态 运行前系统状态如图 运行时系统状态如图 官方Demo跑测——03 体验AI应用样例运行目标检测 【样例介绍】 在样例中已经包含转换后的om模型和测试视频、图片 在JupyterLab中运行样例 运行样例文件夹中共有 9 个文件夹和 1 个 shell 文件 分别对应 9 个 AI 应用样例和Jupyter Lab 1、切换到样例目录 (base) HwHiAiUserorangepiaipro:~$ cd samples/notebooks/ 2、启动脚本 (base) HwHiAiUserorangepiaipro:~/samples/notebooks$ ./start_notebook.sh start_notebook.sh脚本会自动启动 Jupyter Lab 3、执行该脚本 终端会出现如下打印信息 PS打印信息中会有登录 Jupyter Lab 的网址链接 4、打开火狐浏览器访问log中的网页 首先在jupyterlab界面双击“01-yolov5”进入到该目录下。双击打开main.ipynb在右侧窗口中会显示main.ipynb文件中的内容。 其中mian.ipynb是在JupyterLab中运行该样例的文件 在main.ipynb文件中infer_mode的值可赋值为image、video和camera分别对应对图片、视频、USB摄像头中的内容进行目标检测默认值为video。单击 按钮运行样例在弹出的对话框中单击“Restart”按钮此时该样例开始运行。 infer_mode设为image变量时 infer_mode设为video变量时 infer_mode设为camera变量时 附硬件链接方案 左侧两个USB接口一个是摄像头另一个是USB扩展器(连接键盘鼠标)中间HDMI屏幕显示右侧电源连接线 结语 至此我们的Demo 系列就完成了。 demo 1我们调通了香橙派调用USB摄像头的环境。 demo 2我们针对目标检测YoloV5s进行了跑测。 demo 3我们深入体验板载的AI应用针对视频、图片和摄像头的目标检测方案进行了分步跑测。 从系统状态的角度来看当前目标检测的小demo并未用尽板子的性能甚至连一半还没有用到。足可见得当前开发板的性能对于yolo的一些简单项目来说是足够使用的。 对于一些AI入门级选手可以考虑入手边学习边深入应用。
