目录

• 样例介绍
• 获取源码包
• 第三方依赖安装
• 样例运行
• 其他资源
• 更新说明
• 已知issue

样例介绍

以YOLOV7网络模型为例，使能Acllite对图片进行预处理，并通过模型转换使能静态AIPP功能，使能AIPP功能后，YUV420SP_U8格式图片转化为RGB，然后减均值和归一化操作，并将该信息固化到转换后的离线模型中，对YOLOV7网络执行推理，对图片进行物体检测和分类，并给出标定框和类别置信度。

样例输入：图片。
样例输出：图片物体检测，并且在图片上给出物体标注框，类别以及置信度。

获取源码包

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）。

  # 开发环境，非root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/samples.git
  

  注：如果需要切换到其它tag版本，以v0.5.0为例，可执行以下命令。

  git checkout v0.5.0
  

• 压缩包方式下载（下载时间较短，但步骤稍微复杂）。
  注：如果需要下载其它版本代码，请先请根据前置条件说明进行samples仓分支切换。

  # 1. samples仓右上角选择 【克隆/下载】 下拉框并选择 【下载ZIP】。    
  # 2. 将ZIP包上传到开发环境中的普通用户家目录中，【例如：${HOME}/ascend-samples-master.zip】。     
  # 3. 开发环境中，执行以下命令，解压zip包。     
  cd ${HOME}    
  unzip ascend-samples-master.zip
  

第三方依赖安装

设置环境变量，配置程序编译依赖的头文件，库文件路径。“$HOME/Ascend”请替换“Ascend-cann-toolkit”包的实际安装路径。

 export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest
 export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
 export THIRDPART_PATH=${DDK_PATH}/thirdpart
 export LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH

创建THIRDPART_PATH路径

 mkdir -p ${THIRDPART_PATH}

• acllite

  注：源码安装ffmpeg主要是为了acllite库的安装 执行以下命令安装x264

  # 下载x264
  cd ${HOME}
  git clone https://code.videolan.org/videolan/x264.git
  cd x264
  # 安装x264
  ./configure --enable-shared --disable-asm
  make
  sudo make install
  sudo cp /usr/local/lib/libx264.so.164 /lib
  

  执行以下命令安装ffmpeg

  # 下载ffmpeg
  cd ${HOME}
  wget http://www.ffmpeg.org/releases/ffmpeg-4.1.3.tar.gz --no-check-certificate
  tar -zxvf ffmpeg-4.1.3.tar.gz
  cd ffmpeg-4.1.3
  # 安装ffmpeg
  ./configure --enable-shared --enable-pic --enable-static --disable-x86asm --enable-libx264 --enable-gpl --prefix=${THIRDPART_PATH}
  make -j8
  make install
  

  执行以下命令安装acllite

  cd ${HOME}/samples/inference/acllite/cplusplus
  make
  make install
  

• opencv

  执行以下命令安装opencv(注:确保是3.x版本)

  sudo apt-get install libopencv-dev
  

样例运行

• 数据准备

  请从以下链接获取该样例的输入图片，放在data目录下。

  cd $HOME/samples/inference/modelInference/sampleYOLOV7/data
  wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
  

• ATC模型转换

  将YOLOV7原始模型转换为适配昇腾310处理器的离线模型（*.om文件），放在model路径下。

  # 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。
  cd $HOME/samples/inference/modelInference/sampleYOLOV7/model
  wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/yolov7x.onnx
  wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/aipp.cfg
  atc --model=yolov7x.onnx --framework=5 --output=yolov7x --input_shape="images:1,3,640,640"  --soc_version=Ascend310  --insert_op_conf=aipp.cfg
  

• 样例编译

  执行以下命令，执行编译脚本，开始样例编译。

  cd $HOME/samples/inference/modelInference/sampleYOLOV7/scripts
  bash sample_build.sh
  

• 样例运行

  执行运行脚本，开始样例运行。

  bash sample_run.sh
  

• 样例结果展示

运行完成后，会在样例工程的out目录下生成推理后的图片，显示对比结果如下所示。

其他资源

以下资源提供了对ONNX项目和YOLOV7模型的更深入理解：

ONNX

• GitHub: ONNX

Models

• YOLOV7 - object detect

Documentation

• AscendCL Samples介绍
• 使用AscendCLC API库开发深度神经网络应用
• 昇腾文档

更新说明

时间	更新事项
2023/03/07	新增sampleYOLOV7/README.md

已知issue

暂无