【昇騰CANN訓練營第二期】【應用營】第三周作業：使用MindX SDK運行圖像檢測和圖像分類

CANN訓練營第二期 應用營第三周作業鏈接：

https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=139269&fromuid=446160

實操作業為：

1、成功運行目標檢測案例截圖，需要包含命令行輸出的檢測結果、輸出的圖片、帶時間日期。（15分） 2、圖像分類作業： https://gitee.com/kongchibin/ascend_camp/tree/master/%E4%BD%9C%E4%B8%9A/week3 打分細則： 能正常跑通程序并截圖提交到作業貼，截圖需要包含命令行輸出的分類結果，帶時間日期：5分 能自行轉換resnet50模型的，并將轉換指令提交到作業貼：5分 能把分類結果標記到圖片并保存到本地，相關可視化代碼片段提交至作業貼：5分

第三周的作業需要在第二周的作業基礎上完成。第二周作業實操鏈接為：https://bbs.huaweicloud.com/blogs/285668

作業1：

1、成功運行目標檢測案例截圖，需要包含命令行輸出的檢測結果、輸出的圖片、帶時間日期。（15分）

參考鏈接：https://gitee.com/kongchibin/ascend_camp/tree/master/%E4%BD%9C%E4%B8%9A/week3

先看看AI1S服務器上有沒有裝cv2：

沒有，那就裝opencv2吧：

pip3.7 install opencv-python -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com

把 孔老師代碼倉的代碼下載到本地后，再拖到服務器上去：（像如下的方法拖拉很方便的。。。）

將上節課編譯好的模型拷貝過去：

根據week3的鏈接 里面“配置環境變量”一段，貼到命令行執行：

這里需要注意，

第一個作業目標檢測，需要傳到服務器上的是孔老師 “課程”目錄下的內容：

因為這里都是yoloV3的東西。

然后繼續執行python main.py:

...

眼尖的張小白看出前面有個failed，不過應該是沒事的吧。

我們把生成的result.jpg下載下來：

打開一看：

果然貓被檢測到了，用藍色框框住了。

我們再來做第二個作業：

2、圖像分類作業：

https://gitee.com/kongchibin/ascend_camp/tree/master/%E4%BD%9C%E4%B8%9A/week3

打分細則：

能正常跑通程序并截圖提交到作業貼，截圖需要包含命令行輸出的分類結果，帶時間日期：5分

能自行轉換resnet50模型的，并將轉換指令提交到作業貼：5分

能把分類結果標記到圖片并保存到本地，相關可視化代碼片段提交至作業貼：5分

先建個resnet50的目錄：/home/HwHiAiUser/MindX/resnet50

將作業的代碼傳上去：

（注意這里的模型目錄是model不是yolo3的models）

按照readme的方式下載resnet50的模型：

或者去百度網盤下載老師準備好的模型：

上傳到model目錄：

檢查test.pipeline代碼是否使用了這個om文件：

其他兩個文件好像剛才也上傳了。

所以開始進行推理試試（先不疊加最后的圖）

。。。

這里有個分類結果：Egyptian Cat（埃及艷后的貓？？）

Zhanghui_china:result--------------------------------- {'MxpiClass': [{'classId': 286, 'className': 'Egyptian cat', 'confidence': 0.500488281}]}

對比下yoloV3的返回結果：

{"MxpiObject":[{"classVec":[{"classId":15,"className":"cat","confidence":0.97992199999999996,"headerVec":[]}],"x0":35.598979900000003,"x1":453.298157,"y0":100.41439099999999,"y1":322.18307499999997}]}

我們參考yoloV3的代碼改寫下模型推理返回后的處理的相關代碼代碼：

由于兩個地方都要讀一個文件，那么在前面就把名字確定了：

（為了方便，將 貓的jpg改為 test-cat.jpg）

img_path = "test-cat.jpg" #img_path = "test-dog.jpg" with open(img_path, 'rb') as f: dataInput.data = f.read()

然后根據實際的返回讀取className：

results = json.loads(infer_result.data.decode()) print('Zhanghui_china:result---------------------------------') print(results) bboxes = [] for bbox in results['MxpiClass']: bboxes = { 'classId': int(bbox['classId']), 'className': bbox['className'], 'confidence': round(bbox['confidence'],9)}

然后將className（加個中括號醒目一點吧！）寫到圖片中：

img = cv2.imread(img_path) #可視化代碼填寫處 #從results取數據，獲取分類的className，并利用opencv把標簽名標記到圖片 #className = 'class:' +bboxes['className'] className = '[' +bboxes['className'] + ']' print(className) cv2.putText(img, className, (50,50),cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 255, 255), 1) # 圖像，文字內容， 坐標 ，字體，大小，顏色，字體厚度 #cv2.imwrite("./result-dog.jpg", img) cv2.imwrite("./result-cat.jpg", img)

我們來試一下：

下載圖片看結果：

換只狗試試：

代碼的文件名也改一下：

運行結果：

圖片下載后：

張小白還以為為啥不是dog...因為resnet的推理失效了呢。。。。

實際上：

Zhanghui_china:result--------------------------------- {'MxpiClass': [{'classId': 264, 'className': 'Pembroke, Pembroke Welsh corgi', 'confidence': 0.933105469}]} [Pembroke, Pembroke Welsh corgi]

Pembroke Welsh corgi美 [?p?m?bro?k wel? ?k??rɡi]

潘布魯克威爾士柯基犬;彭布羅克柯基犬;彭布羅克威爾士柯基犬;彭布洛克威爾士科基犬;潘布魯克威爾斯柯基犬

嗯，確實好像真的是條狗。。。

現在那應該只差模型沒有做轉換了。。。

回頭看看第二周的應用營作業

https://gitee.com/kongchibin/ascend_camp/tree/master/%E8%AF%BE%E7%A8%8B/week2

這里面講的atc轉換的幾個必要點：

要有aipp文件，這個第三周作業鏈接孔老師已經準備好了。

然后轉換模型是以下一些參數：（yoloV3的例子）

atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 \ --soc_version=Ascend310 --insert_op_conf=./aipp_yolov3_416_416.aippconfig \ --input_shape="input/input_data:1,416,416,3" \ --out_nodes="conv_lbbox/BiasAdd:0;conv_mbbox/BiasAdd:0;conv_sbbox/BiasAdd:0"

pb文件，已經有了：

input_shape

從論文解讀（https://zhuanlan.zhihu.com/p/353235794 ）上來看，應該是(3,224,224)

其他參數到底怎么寫，好像也不清楚。

在 @花溪 女俠的提示下，張小白做了嘗試：

atc --model=./resnet50_v1.5.pb --framework=3 --output=resnet50_zhanghui_china --output_type=FP32 --soc_version=Ascend310 --input_shape=input_tensor:1,224,224,3 --insert_op_conf=./aipp_resnet50_224_224.aippconfig

然后再修改test.pipeline:

推理一下吧：

好像用自己的轉換后的模型推理也成功了：

上傳一張鱷魚的（送入test-eyu.jpg，返回result-eyu.jpg）

好像真的沒問題。。。

嗯，終于可以刪除服務器走人了。。。

這就完成了第三周的作業了。

（全文完，謝謝閱讀）

CANN訓練營第二期 高玩賽即將開啟，請點擊：https://bbs.huaweicloud.com/forum/thread-129524-1-1.html

添加下方工作人員微信，添加備注：CANN訓練營~ 邀請進群~

API/SDK 昇騰 機器學習 深度學習 神經網絡

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。