【昇騰CANN訓(xùn)練營(yíng)第二期】【應(yīng)用營(yíng)】高玩賽作業(yè)：使用MindStudio完成YoLoV5和ResNet50的推理開發(fā)

CANN訓(xùn)練營(yíng)第二期? 應(yīng)用營(yíng) 高玩賽作業(yè)鏈接：

https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=143438&extra=page=1

實(shí)操作業(yè)為：

學(xué)習(xí)路徑： 1、視頻課程：MindX應(yīng)用使能組件介紹 https://www.hiascend.com/zh/activities/cloud2021/live/8120 2、實(shí)驗(yàn)課程：使用MindX SDK開發(fā)智能質(zhì)檢應(yīng)用 https://lab.huaweicloud.com/testdetail_531 3、實(shí)驗(yàn)課程：MindX SDK + Pytorch yolov5 應(yīng)用案例詳解 https://bbs.huaweicloud.com/forum/thread-118598-1-1.html 課程作業(yè)： 在MindStudio中創(chuàng)建MindX SDK模板工程，并完成檢測(cè)（yolov5）+分類（resnet50，從生昇騰社區(qū)ModelZoo獲取，TensorFlow和Pytorch的均可）。 MindX SDK模板工程可以放到gitee上，參考附件。 評(píng)分規(guī)則： 在MindStudio中創(chuàng)建MindX SDK模板工程：10分 并完成檢測(cè)：30分 分類：15分 推理應(yīng)用開發(fā)：15分

解題思路分析：

作業(yè)中“學(xué)習(xí)路徑”中的第二個(gè)鏈接的實(shí)驗(yàn)，張小白以前就做過了：

https://bbs.huaweicloud.com/forum/thread-137435-1-1.html

第一個(gè)鏈接的直播，好像講的也是 MindX，并且也含了第二個(gè)鏈接的實(shí)驗(yàn)：

https://www.hiascend.com/zh/activities/cloud2021/live/8120

第三個(gè)鏈接，好像就可以指導(dǎo)作業(yè)了：

https://bbs.huaweicloud.com/forum/thread-118598-1-1.html

所以打開第三個(gè)鏈接，咱們就開始做作業(yè)吧！

聽這次的 高玩賽 老師? @Fate丶SSS 的介紹，高玩賽的鏡像跟 新手營(yíng)的鏡像一樣，都是image-for-MindX。那么簡(jiǎn)單了，只需要將 新手營(yíng)沒有刪除的 AI1S服務(wù)器開機(jī)，就可以開始做作業(yè)了。

如果你不小心刪了，也不要緊請(qǐng)移駕 https://bbs.huaweicloud.com/blogs/285668 完成服務(wù)器購(gòu)買等操作：

并根據(jù) https://bbs.huaweicloud.com/blogs/285675 步驟，完成ResNet50網(wǎng)絡(luò)的離線模型生成：

下面的操作是基于上述步驟執(zhí)行完畢的情況下進(jìn)行。

MindStudio的啟動(dòng)、創(chuàng)建工程和MindStudio配置：

開機(jī)-》啟動(dòng) MindStudio

New Project

Next,選擇 ?選擇Sample(detection and classfication)（下圖中的箭頭請(qǐng)忽略，以文字為準(zhǔn)）

點(diǎn)擊Finish：

當(dāng)點(diǎn)擊工程中pipeline目錄下的Sample.pipeline時(shí)，系統(tǒng)會(huì)提示，“There is no activated MindX SDK”，因此要配置下MindX SDK的位置：

在MindStudio菜單欄依次點(diǎn)擊"Ascend"->"MindX SDK Manager"

在彈出的窗口點(diǎn)擊 Install SDK

選擇 SDK的路徑：

選擇online試試：（這是一個(gè)坑。。。）

它居然在裝aarch64的版本，估計(jì)是對(duì)自己是X86的身份存在懷疑：

點(diǎn)擊Finish

明顯X86的SDK是不能用的。

還是通過local模式裝SDK吧：

檢查mindxsdk安裝盤的位置：/home/HwHiAiUser/MindX

選擇該目錄下的run文件：

Next：

Next：

耐心等待安裝完畢，點(diǎn)擊Finish：

點(diǎn)擊OK，這回pipeline的圖形化界面終于出現(xiàn)了：

仔細(xì)查看pipleline的圖形，以及對(duì)應(yīng)的源碼（Text）：

這個(gè)sample。前面是YoLoV3，后面是 ResNet50.

而我們的高玩題目呢？要求前面是YoLoV5，后面是 ResNet50。

所以解題思路很簡(jiǎn)單：

1.要么一個(gè)一個(gè)做，比如先只做YoLoV5， 再開個(gè)MindX SDK項(xiàng)目只做ResNet50

2.或者把現(xiàn)在的pipeline改一下，前面改為YoLoV5。后面應(yīng)該不用改了。

跑通YoLoV3+ResNet50:

先把現(xiàn)在的代碼編譯一下：

菜單欄點(diǎn)擊”Build“->"Edit Build Configuration..."

點(diǎn)擊build，會(huì)生成out目錄下的main可執(zhí)行代碼：

運(yùn)行下試試：選擇local Run，按以下內(nèi)容填寫：

點(diǎn)擊Run：會(huì)告訴你om模型不存在：

需要把 第三周作業(yè)（ https://bbs.huaweicloud.com/blogs/285675 ）轉(zhuǎn)換好的ResNet50的離線模型 resnet50_aipp_tf.om 拷貝過來：

找到本項(xiàng)目所在的目錄：

cd ~/AscendProjects/Resnet50

cd models/resnet50

cp /home/HwHiAiUser/MindX/resnet50/model/resnet50_aipp_tf.om .

順便也把第二周作業(yè)（ https://bbs.huaweicloud.com/blogs/285668 ）生成的YoLoV3離線模型也拷過來：

cd ../yolov3

cp /home/HwHiAiUser/MindX/yolov3/yolov3_tf_bs1_fp16.om .

再重新運(yùn)行：

運(yùn)行結(jié)果如下：

具體內(nèi)容看不清，貼出來一下：

2021-07-31 18:40:38 - [INFO] Resnet50 start running... 2021-07-31 18:40:38 - [INFO] Execute command on local: export LD_LIBRARY_PATH=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/lib:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/lib/plugins:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/lib:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/lib64:/root/AscendProjects/Resnet50/lib:/root/AscendProjects/Resnet50/lib/plugins:${LD_LIBRARY_PATH} && export GST_PLUGIN_SCANNER=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/libexec/gstreamer-1.0/gst-plugin-scanner && export GST_PLUGIN_PATH=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/lib/gstreamer-1.0:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/lib/plugins:/root/AscendProjects/Resnet50/lib/plugins && export MX_SDK_HOME=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1 && cd /root/AscendProjects/Resnet50/out && ./main Begin to initialize Log. The output directory(./logs) of logs file exist. Save logs information to specified directory(./logs). W0731 18:40:40.195328 5423 main.cpp:130] Results:{"MxpiObject":[{"MxpiClass":[{"classId":163,"className":"beagle","confidence":0.87109375}],"classVec":[{"classId":16,"className":"dog","confidence":0.99641436299999997,"headerVec":[]}],"x0":125.63256800000001,"x1":918.29089399999998,"y0":116.434044,"y1":597.21276899999998}]} 2021-07-31 18:40:41 - [INFO] Run finished, exit status: 0

JSON格式化后的結(jié)果如下：

{ "MxpiObject": [{ "MxpiClass": [{ "classId": 163, "className": "beagle", "confidence": 0.87109375 }], "classVec": [{ "classId": 16, "className": "dog", "confidence": 0.99641436299999997, "headerVec": [] }], "x0": 125.63256800000001, "x1": 918.29089399999998, "y0": 116.434044, "y1": 597.21276899999998 }] }

結(jié)果分析：

先進(jìn)行了 YoLoV3的檢測(cè)（檢測(cè)結(jié)果放入ClassVec和x0，y0、x1、y1的坐標(biāo)），然后進(jìn)行了ResNet50的分類（分類結(jié)果放入MxpiClass）。

檢測(cè)結(jié)果是：

在 "x0":125.63256800000001,"x1":918.29089399999998,"y0":116.434044,"y1":597.21276899999998}

這個(gè)框內(nèi)，YoLoV3認(rèn)為它是dog，ResNet認(rèn)為它屬于beagle(獵兔犬)。

當(dāng)然，Sample代碼并沒有畫出結(jié)果。

所以增加以下代碼，畫個(gè)結(jié)果的框吧。

參考 https://bbs.huaweicloud.com/forum/thread-137435-1-1.html ?的內(nèi)容增加OpenCV2的代碼。

CMakeLists.txt:

Header path include_directories( ${MX_SDK_HOME}/include/ ${MX_SDK_HOME}/opensource/include/ ${MX_SDK_HOME}/opensource/include/opencv4/ ) # add host lib path link_directories( ${MX_SDK_HOME}/lib/ ${MX_SDK_HOME}/opensource/lib/ ${MX_SDK_HOME}/opensource/lib64/ ${MX_SDK_HOME}/opensource/include/opencv4/ ) add_executable(main main.cpp) target_link_libraries(main glog mxbase streammanager cpprest mindxsdk_protobuf opencv_world)

main.cpp

#include "opencv4/opencv2/opencv.hpp"

還有：

web::json::value jsonText = web::json::value::parse(result); if (jsonText.is_object()) { web::json::object textObject = jsonText.as_object(); auto itInferObject = textObject.find("MxpiObject"); if (itInferObject == textObject.end() || (!itInferObject->second.is_array())) { return 0; } auto iter = itInferObject->second.as_array().begin(); cv::Mat src = cv::imread("../data/test.jpg"); for (; iter != itInferObject->second.as_array().end(); iter++) { if (iter->is_object()) { auto modelInferObject = iter->as_object(); float x0 = 0; float x1 = 0; float y0 = 0; float y1 = 0; auto it = modelInferObject.find("x0"); if (it != modelInferObject.end()) { x0 = float(it->second.as_double()); } it = modelInferObject.find("x1"); if (it != modelInferObject.end()) { x1 = float(it->second.as_double()); } it = modelInferObject.find("y0"); if (it != modelInferObject.end()) { y0 = float(it->second.as_double()); } it = modelInferObject.find("y1"); if (it != modelInferObject.end()) { y1 = float(it->second.as_double()); } cv::Rect rect(x0, y0, x1 - x0, y1 - y0); cv::rectangle(src, rect, cv::Scalar(0, 255, 0),5, cv::LINE_8,0); } } cv::imwrite("./result_test.jpg", src); std::cout << "result_test.jpg produced in the directory:/home/user/AscendProjects/MyApp/out." << std::endl; }

重新編譯：

重新執(zhí)行：

上圖綠色的就是YoLoV3標(biāo)記出來的框。

PipeLine：YoLoV3替換為YoLoV5：

既然 YoLoV3和ResNet50都跑通了。那么把 YoLoV5替換掉 YoLoV3就可以。

參考 https://bbs.huaweicloud.com/forum/thread-118598-1-1.html

類似 YoLoV3 的編排，對(duì)比鏈接中 YoLoV5的pipeline。我們做個(gè)修改：

可以先把 ?YoLoV3 的pipeline備份下

檢視一下，

YoLoV3有aippconfig、coco.names、yolov3_tf_bs1_fp16.cfg還有一個(gè)om，另外還有一個(gè)libMpYOLOv3PostProcessor.so

看看對(duì)應(yīng)的yolov5是否齊全：

aipp_yolov5.cfg

那就先生成YoLoV5的離線模型。

YoLoV5的離線模型的生成：

mkdir /root/yolov5s_convert

cd /root/yolov5s_convert

wget https://github.com/ultralytics/yolov5/archive/v2.0.tar.gz --no-check-certificate

tar -xzf v2.0.tar.gz

vi yolov5-2.0/models/export.py

修改第48行opset_version為11

下載權(quán)重文件 yolov5s.pt

cd yolov5-2.0

wget https://github.com/ultralytics/yolov5/releases/download/v2.0/yolov5s.pt --no-check-certificate

python models/export.py --weights ./yolov5s.pt --img 640 --batch 1

好像還得裝個(gè)pytorch。

去PyPorch官網(wǎng)下載 Pytorch 1.8.1:

pip3 install torch==1.8.1+cpu torchvision==0.9.1+cpu torchaudio==0.8.1 -f https://download.pytorch.org/whl/lts/1.8/torch_lts.html

重新執(zhí)行：

python models/export.py --weights ./yolov5s.pt --img 640 --batch 1

報(bào)缺_lzma模塊：

查資料找解決方案：https://blog.csdn.net/moxiao1995071310/article/details/97399809/

照此辦理：

apt-get install libbz2-dev

apt-get install lzma

apt-get install liblzma-dev

重新編譯python3.7.5：

cd /root/Python-3.7.5

./configure --prefix=/usr/local/python3.7.5 --enable-optimizations --enable-shared

...

make

...

需要耐心等待416個(gè)test走完。。這是一個(gè)漫長(zhǎng)的過程：

make install

...

驗(yàn)證下：

下面反復(fù)執(zhí)行：

python models/export.py --weights ./yolov5s.pt --img 640 --batch 1

系統(tǒng)會(huì)報(bào)缺什么模塊，然后我們就按照要求裝什么模塊：

pip install pyyaml

pip install tqdm

pip install onnx

pip install coremltools -i https://pypi.tuna.tsinghua.edu.cn/simple/

這次再執(zhí)行：

python models/export.py --weights ./yolov5s.pt --img 640 --batch 1

這到底是成功了還是失敗了？

檢查了一下，并沒有生成onnx文件。應(yīng)該還是有問題的：

度娘搜索：'google.protobuf.descriptor' has no attribute '_internal_create_key'

https://blog.csdn.net/lemon4869/article/details/107299879

照此辦理：

pip install --upgrade protobuf -i https://pypi.tuna.tsinghua.edu.cn/simple/

再來：

python models/export.py --weights ./yolov5s.pt --img 640 --batch 1

。。。

。。。

這回好像真的生成了onnx文件。

這個(gè)onnx文件終于生成了。先撒個(gè)小花。。。。

然后繼續(xù)：

python3.7 -m onnxsim --skip-optimization yolov5s.onnx yolov5s_sim.onnx

pip install --upgrade pip

pip install onnx-simplifier

對(duì)onnx圖使用onnx-simplifer進(jìn)行簡(jiǎn)化：

python3.7 -m onnxsim --skip-optimization yolov5s.onnx yolov5s_sim.onnx

下載 https://bbs.huaweicloud.com/forum/thread-118598-1-1.html

帖子的mxManufacture_yolov5_example.zip 附件，解壓，

上傳slicy腳本：modify_yolov5s_slice.py

修改模型Slice算子

python3.7 modify_yolov5s_slice.py yolov5s_sim.onnx

生成 yolov5s_sim_t.onnx

在當(dāng)前目錄下編輯2個(gè)文件：

編輯 aipp_yolov5.cfg

編輯trans_onnx2om.sh

聽 @Fate丶SSS?老師說， 目前的image-for-mindx鏡像已經(jīng)不需要升級(jí) tranpose_d.patch補(bǔ)丁了。

下面開始做ATC模型轉(zhuǎn)換：

bash trans_onnx2om.sh

轉(zhuǎn)換成功，OM離線模型文件已成功生成。

將與yolov5s_sim_t.om相適應(yīng)的配置文件yolov5.cfg和標(biāo)簽文件coco.names上傳到同一目錄：

下面正式把sample.pipelin的YoLoV3的目標(biāo)檢測(cè)部分修改為YoLoV5的目標(biāo)檢測(cè)部分了！

打開MindStudio，在Models目錄下創(chuàng)建一個(gè)yolov5的目錄，再到終端將前面準(zhǔn)備好的文件都復(fù)制到這個(gè)目錄下：

/root/AscendProjects/Resnet50/models/yolov5

cp /root/yolov5s_convert/yolov5-2.0/aipp_yolov5.cfg .

cp /root/yolov5s_convert/yolov5-2.0/coco.names .

cp /root/yolov5s_convert/yolov5-2.0/yolov5s_sim_t.om .

cp /root/yolov5s_convert/yolov5-2.0/yolov5.cfg .

修改 resize部分，改為640X640且等比縮放

"mxpi_imageresize0": { "props": { "parentName": "mxpi_imagedecoder0", "resizeHeight": "640", "resizeWidth": "640", "resizeType": "Resizer_KeepAspectRatio_Fit" }, "factory": "mxpi_imageresize", "next": "mxpi_modelinfer0" },

修改infer推理部分，將YoLoV3改為YoLoV5：

"mxpi_modelinfer0": { "props": { "modelPath": "../models/yolov5/yolov5s_sim_t.om", "postProcessConfigPath": "../models/yolov5/yolov5.cfg", "labelPath": "../models/yolov5/coco.names", "postProcessLibPath": "libMpYOLOv5PostProcessor.so" }, "factory": "mxpi_modelinfer", "next": "mxpi_imagecrop0" },

為了表示這次處理的是yolov5的結(jié)果，我們將main.cpp輸出的代碼做個(gè)修改：

并刪除out下的jpg文件：

重新編譯：

重新運(yùn)行：

可以看出，result_test-yolov5文件已生成。

輸出結(jié)果如下：

2021-08-01 00:45:11 - [INFO] Resnet50 start running... 2021-08-01 00:45:11 - [INFO] Execute command on local: export LD_LIBRARY_PATH=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/lib:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/lib/plugins:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/lib:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/lib64:/root/AscendProjects/Resnet50/lib:/root/AscendProjects/Resnet50/lib/plugins:${LD_LIBRARY_PATH} && export GST_PLUGIN_SCANNER=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/libexec/gstreamer-1.0/gst-plugin-scanner && export GST_PLUGIN_PATH=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/opensource/lib/gstreamer-1.0:/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1/lib/plugins:/root/AscendProjects/Resnet50/lib/plugins && export MX_SDK_HOME=/usr/local/Ascend/mindx_sdk/mxVision_2.0.1/linux-x86_64/mxVision-2.0.1 && cd /root/AscendProjects/Resnet50/out && ./main Begin to initialize Log. The output directory(./logs) of logs file exist. Save logs information to specified directory(./logs). W0801 00:45:12.691449 21204 main.cpp:131] Results:{"MxpiObject":[{"MxpiClass":[{"classId":163,"className":"beagle","confidence":0.837890625}],"classVec":[{"classId":16,"className":"dog","confidence":0.672381699,"headerVec":[]}],"x0":73.496948200000006,"x1":939.73120100000006,"y0":132.934708,"y1":603.36547900000005}]} result_test-yolov5.jpg produced in the directory:/root/AscendProjects/Resnet50/out. 2021-08-01 00:45:13 - [INFO] Run finished, exit status: 0

格式化結(jié)果：

{ "MxpiObject": [{ "MxpiClass": [{ "classId": 163, "className": "beagle", "confidence": 0.837890625 }], "classVec": [{ "classId": 16, "className": "dog", "confidence": 0.672381699, "headerVec": [] }], "x0": 73.496948200000006, "x1": 939.73120100000006, "y0": 132.934708, "y1": 603.36547900000005 }] }

貌似 confidence要比前面YoLoV3的低一點(diǎn)。

前面YoLoV3+ResNet50的結(jié)果如下：（前面貼過了，再重貼一遍，便于比較）

{ "MxpiObject": [{ "MxpiClass": [{ "classId": 163, "className": "beagle", "confidence": 0.87109375 }], "classVec": [{ "classId": 16, "className": "dog", "confidence": 0.99641436299999997, "headerVec": [] }], "x0": 125.63256800000001, "x1": 918.29089399999998, "y0": 116.434044, "y1": 597.21276899999998 }

下面考慮在圖片中疊加 YoLoV5檢測(cè)和ResNet50分類的className結(jié)果：

需要解析出

MxpiObject/MxpiClass/className

和

MxpiObject/classVec/className

RapidJSON的安裝與使用

由于代碼中的json神操作張小白不是很明白，所以自行下載了RapidJSON：http://rapidjson.org/zh-cn/index.html

RapidJSON 是只有頭文件的 C++ 庫(kù)。

github比較慢，換成在 gitee上的鏡像

切換到 項(xiàng)目的目錄，將include目錄復(fù)制到項(xiàng)目下：

將 取json報(bào)文的和圖片疊加文字部分加上去：

#include "rapidjson/document.h" #include "rapidjson/prettywriter.h" #include "rapidjson/stringbuffer.h" #include using namespace rapidjson; using namespace cv;

在取到result之后，保存YoLoV5的className和ResNet50的className：

std::string myClassName1 , myClassName2; rapidjson::Document dom; unsigned int i,j; if(!dom.Parse(result.c_str()).HasParseError()) { if(dom.HasMember("MxpiObject") && dom["MxpiObject"].IsArray()){ const rapidjson::Value& arr= dom["MxpiObject"]; for (i = 0; i < arr.Size(); ++i) { const rapidjson::Value& obj = arr; if(obj.HasMember("MxpiClass") && obj["MxpiClass"].IsArray()){ const rapidjson::Value& arr2= obj["MxpiClass"]; for (j = 0; j < arr2.Size(); ++j) { const rapidjson::Value& obj2 = arr2[j]; if(obj2.HasMember("className") && obj2["className"].IsString()){ myClassName1 = obj2["className"].GetString(); std::cout << "className:" << myClassName1 << std::endl; } else{ } }//end of for j } if(obj.HasMember("classVec") && obj["classVec"].IsArray()){ const rapidjson::Value& arr2= obj["classVec"]; for (j = 0; j < arr2.Size(); ++j) { const rapidjson::Value& obj2 = arr2[j]; if(obj2.HasMember("className") && obj2["className"].IsString()){ myClassName2 = obj2["className"].GetString(); std::cout << "className:" << myClassName2 << std::endl; } else{ } }//end of for j } } //end of for i } else{ } } else{ std::cout << "Parse Result Json string error" << std::endl; }

并在最后 畫框的時(shí)候加上 文字部分：

cv::Rect rect(x0, y0, x1 - x0, y1 - y0); cv::rectangle(src, rect, cv::Scalar(0, 255, 0),5, cv::LINE_8,0); cv::putText(src,myClassName1,cv::Point(x0+50,y0+50),FONT_HERSHEY_SIMPLEX,1,cv::Scalar(255,255,0)); cv::putText(src,myClassName2,cv::Point(x0+50,y0+100),FONT_HERSHEY_SIMPLEX,1,cv::Scalar(255,255,0));

為了可以靈活地切換圖片，我們將輸入的圖片和輸出的圖片都設(shè)置個(gè)變量

// read image file and build stream input // std::string picFileName = "../data/test.jpg"; // std::string picFileName_result = "../out/test_result.jpg"; std::string picFileName = "../data/test_tiger.jpg"; std::string picFileName_result = "../out/test_tiger_result.jpg"; // std::string picFileName = "../data/test_rabbit2.jpg"; // std::string picFileName_result = "../out/test_rabbit2_result.jpg";

為了可以切換pipeline，我們將pipeline文件也隨時(shí)做調(diào)整

// std::string pipelineConfigPath = "../pipeline/Sample.pipeline"; // std::string pipelineConfigPath = "../pipeline/YoloV5.pipeline"; // std::string pipelineConfigPath = "../pipeline/yoloV3.pipeline"; std::string pipelineConfigPath = "../pipeline/yoloV3-resnet50.pipeline";

重新編譯，運(yùn)行：

YoloV3+ResNet50認(rèn)為它是 dog和 beagle（獵兔犬）

從上圖可見，類別也在圖片中疊加上去了！！

張小白另找了老虎的照片做了如下的試驗(yàn)：

編譯：

運(yùn)行：

YoLoV3認(rèn)為它是個(gè)斑馬：zebra

而YoLoV5認(rèn)為它啥也不是：

而YoLoV3+ResNet50就這樣認(rèn)為：

ResNet50分類倒是對(duì)的。確實(shí)是老虎。

Fate老師解釋說，本來YoLoV3和YoLoV5里面就沒有老虎這個(gè)選項(xiàng)，所以看不出來反而是對(duì)的。如果將其看成是斑馬，那反而說明YoloV5比YoloV3的精度要高。。。

額，，，不知道童鞋們Get到?jīng)]有。。

其實(shí)這樣高玩賽的作業(yè)應(yīng)該算是做完了吧。

希望同學(xué)們能夠通過這次CANN訓(xùn)練營(yíng)應(yīng)用營(yíng)的深度學(xué)習(xí)訓(xùn)練，能夠成功使用MindX SDK和MindStudio進(jìn)行高階推理。（掌握技能很重要的，也許有個(gè)母老虎還需要你去目標(biāo)檢測(cè)和分類一下呢。。。）

（全文完，謝謝閱讀）

CANN訓(xùn)練營(yíng)第二期 高玩賽已經(jīng)開啟，請(qǐng)點(diǎn)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(xùn)練營(yíng)~ 邀請(qǐng)進(jìn)群~

C++ pytorch 昇騰 深度學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。