学会如何安装配置华为云ModelArts、开发板Atlas 200I DK A2。
并打通一个Ascend910训练到Ascend310推理的全流程思路。
在本篇章，我们继续进入推理阶段！
AscendCL 开发板 模型推理
基础硬件
所需配件
用于后续连接启动&登录开发者套件。
这里以远程登录模式为例
注：
这里使用Windows系统，通过网线以远程登录模式连接启动登录开发者套件。
详细内容or选择其他系统其他模式的用户可参考昇腾官网文档-快熟开始
将SD卡插入读卡器的卡槽中，接着一起插入PC的USB接口中
打开制卡工具
-> 在线制卡（镜像版本选择Ubuntu）
-> 选择SD卡（烧录镜像时会自动将SD卡格式化，需要提前检查SD卡是否有数据需要提前备份）
-> 烧录镜像（大概20min）
烧录成功后，将SD卡从读卡器中取出。
将烧录好的SD卡插入开发者套件的SD插槽，
并确保完全推入插槽底部。（推到底是有类似弹簧的触感）
确保开发者套件的拨码开关2、3、4的开关值如图所示：
使用网线连接开发板套件和PC。
给开发者套件上电后
通过PC共享网络联网（Windows）：
控制面板 -> 网络和共享中心 -> 更改适配器设置 ->
右键“WLAN” -> 属性 ->
进入“共享”界面
右键“以太网” -> 属性 ->
进入“网络”界面 -> 双击“Internet 协议版本 4（TCP/IPv4）” -> 修改IP地址与子网掩码
（PC需设置IP与开发板处于同一网段。这里使用192.168.137.102为例）
确认保存。
PC下载并解压SSH远程登录工具“MobaXterm_Personal_22.2.exe”（或者进入官网下载）
打开SSH远程登录工具“MobaXterm_Personal_22.2.exe” -> Session -> SSH
-> 填写实际与PC连接的开发者套件网口IP（制卡中配置的IP地址，默认为192.168.137.100）
-> 勾选“Specify username”选项，填写用户名（这里使用root）
-> Accept
-> 输入root用户名登录密码（默认为Mind@123）
输入密码时，界面不会显示密码和输入位数，输入密码后在键盘按Enter键即可
-> 界面会出现保存密码提示，可以单击“No”，不保存密码直接登录开发者套件。
通过能否ping通进行检验网络
输入
ping 8.8.8.8
或者
ping www.baidu.com
若回显如图所示，则说明开发者套件还未成功联网。
请继续后续命令配置操作。
输入
ip ro
回显如下
删除多余的路由
输入
ip ro del default via 192.168.137.1
添加丢失的路由
输入
sudo ip route add default via 192.168.137.102 dev eth1 metric 1
注：这里填写的IP是前文控制面板中填写的IP地址
输入
ip ro
回显如下
通过能否ping通进行检验网络
输入
ping 8.8.8.8
或者
ping www.baidu.com
若回显如图所示，则说明开发者套件已经成功联网。
（若正确配置网络后仍无法联网，请参考昇腾官网文档-正确配置网络后仍无法联网）
上传
将推理阶段项目工程文件压缩包上传到开发者套套件
（可以通过拖拽文件的方法上传到MobaXterm）
解压
打开“Terminal”命令行终端界面 ->
执行以下命令，解压项目工程文件压缩包
unzip unet_sdk.zip
unzip unet_cann.zip
模型转换工程目录结构如下:
├── unet_sdk
├── model
│ ├──air2om.sh // air模型转om脚本
│ ├──xxx.air //训练阶段导出的air模型
│ ├──aipp_unet_simple_opencv.cfg // aipp文件
│ ├──xxx.om //训练转换产生的om模型
推理阶段工程目录结构如下：
├── unet_cann
├── main.py // 推理文件
├── image.png //图片数据
├── mask.png //标签数据
注：
接下来就可以继续旅程，进入推理阶段。
若中途暂停或完成实验，记得将开发者套件关机和下电；
若之后返回或继续实验，再次将开发者套件开机。
如果开发板下电断开连接，重新上电后PC不会主动再次连接，
需要更新状态（例如取消网络共享+再次共享）
打开unet_cann/main.py文件
内容如下，可根据实际开发情况进行修改。
#!/usr/bin/python
# -*- coding: utf-8 -*-
import cv2 # 图片处理三方库，用于对图片进行前后处理
import numpy as np # 用于对多维数组进行计算
from albumentations.augmentations import transforms # 数据增强库，用于对图片进行变换
import acl # acl 推理文件库
def sigmoid(x):
y = 1.0 / (1 + np.exp(-x)) # 对矩阵的每个元素执行 1/(1+e^(-x))
return y
def plot_mask(img, msk):
""" 将推理得到的 mask 覆盖到原图上 """
msk = msk + 0.5 # 将像素值范围变换到 0.5~1.5, 有利于下面转为二值图
msk = cv2.resize(msk, (img.shape[1], img.shape[0])) # 将 mask 缩放到原图大小
msk = np.array(msk, np.uint8) # 转为二值图, 只包含 0 和 1
# 从 mask 中找到轮廓线, 其中第二个参数为轮廓检测的模式, 第三个参数为轮廓的近似方法
# cv2.RETR_EXTERNAL 表示只检测外轮廓, cv2.CHAIN_APPROX_SIMPLE 表示压缩水平方向、
# 垂直方向、对角线方向的元素, 只保留该方向的终点坐标, 例如一个矩形轮廓只需要4个点来保存轮廓信息
# contours 为返回的轮廓（list）
contours, _ = cv2.findContours(msk, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 在原图上画出轮廓, 其中 img 为原图, contours 为检测到的轮廓列表
# 第三个参数表示绘制 contours 中的哪条轮廓, -1 表示绘制所有轮廓
# 第四个参数表示颜色, （0, 0, 255）表示红色, 第五个参数表示轮廓线的宽度
cv2.drawContours(img, contours, -1, (0, 0, 255), 1)
# 将轮廓线以内（即分割区域）覆盖上一层红色
img[..., 2] = np.where(msk == 1, 255, img[..., 2])
return img
# 初始化变量
pic_input = 'image.png' # 单张图片
model_path = "../unet_sdk/model/unet_hw960_bs1.om" # 模型路径
num_class = 2 # 类别数量, 需要根据模型结构、任务类别进行改变;
device_id = 0 # 指定运算的Device
print("init resource stage:")
# acl初始化
ret = acl.init()
ret = acl.rt.set_device(device_id) # 指定运算的Device
context, ret = acl.rt.create_context(device_id) # 显式创建一个Context，用于管理Stream对象
stream, ret = acl.rt.create_stream() # 显式创建一个Stream, 用于维护一些异步操作的执行顺序，确保按照应用程序中的代码调用顺序执行任务
print("Init resource success")
# 加载模型
model_id, ret = acl.mdl.load_from_file(model_path) # 加载离线模型文件, 返回标识模型的ID
model_desc = acl.mdl.create_desc() # 初始化模型描述信息, 包括模型输入个数、输入维度、输出个数、输出维度等信息
ret = acl.mdl.get_desc(model_desc, model_id) # 根据加载成功的模型的ID, 获取该模型的描述信息
print("Init model resource success")
img_bgr = cv2.imread(pic_input) # 读入图片
img = cv2.resize(img_bgr, (960,960)) # 将原图缩放到 960*960 大小
img = transforms.Normalize().apply(img) # 将像素值标准化（减去均值除以方差）
img = img.astype('float32') / 255 # 将像素值缩放到 0~1 范围内
img = img.transpose(2, 0, 1) # 将形状转换为 channel first (3, 96, 96)
# 准备输入数据集
input_list = [img, ] # 初始化输入数据列表
input_num = acl.mdl.get_num_inputs(model_desc) # 得到模型输入个数
input_dataset = acl.mdl.create_dataset() # 创建输入数据
for i in range(input_num):
input_data = input_list[i] # 得到每个输入数据
# 得到每个输入数据流的指针(input_ptr)和所占字节数(size)
size = input_data.size * input_data.itemsize # 得到所占字节数
bytes_data=input_data.tobytes() # 将每个输入数据转换为字节流
input_ptr=acl.util.bytes_to_ptr(bytes_data) # 得到输入数据指针
model_size = acl.mdl.get_input_size_by_index(model_desc, i) # 从模型信息中得到输入所占字节数
# if size != model_size: # 判断所分配的内存是否和模型的输入大小相符
# print(" Input[%d] size: %d not equal om size: %d" % (i, size, model_size) + ", may cause inference result error, please check model input")
dataset_buffer = acl.create_data_buffer(input_ptr, size) # 为每个输入创建 buffer
_, ret = acl.mdl.add_dataset_buffer(input_dataset, dataset_buffer) # 将每个 buffer 添加到输入数据中
print("Create model input dataset success")
# 准备输出数据集
output_size = acl.mdl.get_num_outputs(model_desc) # 得到模型输出个数
output_dataset = acl.mdl.create_dataset() # 创建输出数据
for i in range(output_size):
size = acl.mdl.get_output_size_by_index(model_desc, i) # 得到每个输出所占内存大小
buf, ret = acl.rt.malloc(size, 2) # 为输出分配内存。
dataset_buffer = acl.create_data_buffer(buf, size) # 为每个输出创建 buffer
_, ret = acl.mdl.add_dataset_buffer(output_dataset, dataset_buffer) # 将每个 buffer 添加到输出数据中
if ret: # 若分配出现错误, 则释放内存
acl.rt.free(buf)
acl.destroy_data_buffer(dataset_buffer)
print("Create model output dataset success")
# 模型推理, 得到的输出将写入 output_dataset 中
ret = acl.mdl.execute(model_id, input_dataset, output_dataset)
# 解析 output_dataset, 得到模型输出列表
model_output = [] # 模型输出列表
for i in range(output_size):
buf = acl.mdl.get_dataset_buffer(output_dataset, i) # 获取每个输出buffer
data_addr = acl.get_data_buffer_addr(buf) # 获取输出buffer的地址
size = int(acl.get_data_buffer_size(buf)) # 获取输出buffer的字节数
byte_data = acl.util.ptr_to_bytes(data_addr, size) # 将指针转为字节流数据
dims = tuple(acl.mdl.get_output_dims(model_desc, i)[0]["dims"]) # 从模型信息中得到每个输出的维度信息
output_data = np.frombuffer(byte_data, dtype=np.float32).reshape(dims) # 将 output_data 以流的形式读入转化成 ndarray 对象
model_output.append(output_data) # 添加到模型输出列表
x0 = 2200 # w:2200~4000; h:1000~2800
y0 = 1000
x1 = 4000
y1 = 2800
ori_w = x1 - x0
ori_h = y1 - y0
def _process_mask(mask_path):
# 手动裁剪
mask = cv2.imread( mask_path , cv2.IMREAD_GRAYSCALE )
# [y0:y1, x0:x1]
return mask[y0:y1, x0:x1]
# 后处理
model_out_msk = model_output[0] # 取出模型推理结果, 推理结果形状为 (1, 1, 96, 96),即（batchsize, num_class, height, width）
model_out_msk = _process_mask("mask.png") # 抠图后的shape， hw
# model_out_msk = sigmoid(model_out_msk[0][0]) # 将模型输出变换到 0~1 范围内
img_to_save = plot_mask(img_bgr, model_out_msk) # 将处理后的输出画在原图上, 并返回
# 保存图片到文件
cv2.imwrite('result.png', img_to_save)
# 释放输出资源, 包括数据结构和内存
num = acl.mdl.get_dataset_num_buffers(output_dataset) # 获取输出个数
for i in range(num):
data_buf = acl.mdl.get_dataset_buffer(output_dataset, i) # 获取每个输出buffer
if data_buf:
data_addr = acl.get_data_buffer_addr(data_buf) # 获取buffer的地址
acl.rt.free(data_addr) # 手动释放 acl.rt.malloc 所分配的内存
ret = acl.destroy_data_buffer(data_buf) # 销毁每个输出buffer (销毁 aclDataBuffer 类型)
ret = acl.mdl.destroy_dataset(output_dataset) # 销毁输出数据 (销毁 aclmdlDataset类型的数据)
# 卸载模型
if model_id:
ret = acl.mdl.unload(model_id)
# 释放模型描述信息
if model_desc:
ret = acl.mdl.destroy_desc(model_desc)
# 释放 stream
if stream:
ret = acl.rt.destroy_stream(stream)
# 释放 Context
if context:
ret = acl.rt.destroy_context(context)
# 释放Device
acl.rt.reset_device(device_id)
acl.finalize()
print("Release acl resource success")
打开Terminal命令行终端界面：确保是否在工程目录unet_cann/路径下
输入
cd /root/project/unet_cann
运行示例
输入
python3 main.py
注：
到此我们就已经走过了从Ascend910训练到Ascend310推理的昇腾开发全流程。
更多内容深入参考下方学习资源推荐
昇思官网
gitee代码仓Ascend / samples
https://gitee.com/ascend/samples/tree/master/inference
学会如何安装配置华为云ModelArts、开发板Atlas 200I DK A2。 并打通一个Ascend910训练到Ascend310推理的全流程思路。 > 在本篇章，我们继续进入推理阶段！
学会如何安装配置华为云ModelArts、开发板Atlas 200I DK A2， 并打通一个训练到推理的全流程思路。 > 在本篇章，首先我们开始进入训练阶段！
GE（Graph Engine）图引擎采用多流并行算法，在满足计算图任务内部依赖关系的前提下，支持高效并发执行计算任务，从而大大提高硬件资源利用率和AI计算效率。