# Atlast200DK-objectdetection-yolov3 **Repository Path**: futureflsl/Atlast200DK-objectdetection-yolov3 ## Basic Information - **Project Name**: Atlast200DK-objectdetection-yolov3 - **Description**: Atlast200DK-objectdetection-yolov3 - **Primary Language**: C++ - **License**: BSD-3-Clause - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 1 - **Forks**: 1 - **Created**: 2020-02-06 - **Last Updated**: 2024-05-29 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README 中文|[英文](README.md) # yolov3检测网络应用 本Application支持运行在Atlas 200 DK或者AI加速云服务器上，实现了对faster-rcnn目标检测网络的推理功能。 ## 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/sample-objectdetection_。 2. 获取此应用中所需要的原始网络模型。 参考[表1](#zh-cn_topic_0182554604_table19942111763710)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](#zh-cn_topic_0182554604_li2074865610364)中下载的模型文件和权重文件。 - **Model Name**填写为[表1](#zh-cn_topic_0182554604_table19942111763710)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 ![](doc/source/img/faster_rcnn模型转换配置.jpg "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** >![](doc/source/img/icon-note.gif) **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/sample-objectdetection_。 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](#zh-cn_topic_0182554604_section92241245122511)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. 参考[2](#zh-cn_topic_0182554604_li2074865610364)将需要使用的已经转换好的Davinci离线模型文件与需要推理的图片上传至Host侧任一属组为HwHiAiUser用户的目录。 例如将模型文件**faster\_rcnn.om**上传到Host侧的“/home/HwHiAiUser/models“目录下。 图片要求如下： - 格式：jpg、png、bmp。 - 输入图片宽度：16px\~4096px之间的整数。 - 输入图片高度：16px\~4096px之间的整数。 ## 运行 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）。 对于AI加速云服务器，host\_ip即为当前Mind Studio所在服务器的IP地址。 2. 进入faster-rcnn检测网络应用的可执行文件所在路径。 **cd \~/HIAI\_PROJECTS/ascend\_workspace/objectdetection/out** 3. 执行应用程序。 执行**run\_object\_detection\_faster\_rcnn.py**脚本会将推理生成的图片保存至指定路径。 命令示例如下所示： **python3 run\_object\_detection\_faster\_rcnn.py -m _\~/models/faster\_rcnn.om_ -w _800_ -h _600_ -i** **_./example.jpg_ -o _./out_ -c** _21_ - -m/--model\_path：离线模型路径。 - -w/model\_width：模型的输入图片宽度，为16\~4096之间的整数。 - -h/model\_height：模型的输入图片高度，为16\~4096之间的整数。 - -i/input\_path：输入图片的目录/路径，可以有多个输入。 - -o/output\_path：输出图片的目录，默认为当前目录。 - -c/output\_categories：faster\_rcnn检测的类别数\(包含背景\)，为2\~32之间的整数，默认为值为21。 4. 其他详细参数请执行**python3 run\_object\_detection\_faster\_rcnn.py --help**命令参见帮助信息。 ## 公共代码库下载 将依赖的软件库下载到“sample-objectdetection/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。