样例步骤适用于以下产品。
- Atlas 200/300/500 推理产品
- Atlas 推理系列产品
- Atlas 训练系列产品
模型转换
- 以HwHiAiUser（运行用户）登录开发环境。
- 参见《ATC工具使用指南》中的ATC工具使用环境搭建，获取ATC工具并设置环境变量。
- 准备数据。
从以下链接获取ResNet-50网络的权重文件（*.caffemodel）、模型文件（resnet50.prototxt），并以HwHiAiUser（运行用户）将获取的文件上传至开发环境的“vpc_resnet50_imagenet_classification样例目录/caffe_model ”目录下。
- 将ResNet-50网络转换为适配昇腾AI处理器的离线模型（*.om文件），转换模型时，需配置色域转换参数，用于将YUV420SP格式的图片转换为RGB格式的图片。
切换到“vpc_resnet50_imagenet_classification”目录，执行如下命令。Ascendxxx为使用的昇腾AI处理器型号，请用户自行替换。
atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50_aipp --soc_version=Ascendxxx --insert_op_conf=caffe_model/aipp.cfg
- “--output”参数：生成的“resnet50_aipp.om”文件存放在“vpc_resnet50_imagenet_classification/model”目录下。
- 使用atc命令时用户需保证对“vpc_resnet50_imagenet_classification”目录有写权限。
- 将Cast和ArgMaxD两个算子的算子描述信息（*.json文件）编译成适配昇腾AI处理器的离线模型（*.om文件），用于验证单算子的运行。
切换到“vpc_resnet50_imagenet_classification”目录，执行如下命令。Ascendxxx为使用的昇腾AI处理器型号，请用户自行替换。
atc --singleop=op_models/op_list.json --soc_version=Ascendxxx --output=op_models/
- “--output”参数：生成的om文件必须放在“vpc_resnet50_imagenet_classification/op_models”目录下。
- 使用atc命令时用户需保证对“vpc_resnet50_imagenet_classification”目录有写权限。
关于各参数的详细解释，请参见《ATC工具使用指南》中的参数说明。
- 以HwHiAiUser（运行用户）将开发环境的样例目录及目录下的文件上传到运行环境。
运行应用
- 登录运行环境。
- 准备测试数据。 请从以下链接获取该样例的输入图片，并以运行用户将获取的文件上传至开发环境的“vpc_resnet50_imagenet_classification/data”目录下。如果目录不存在，需自行创建。
- 参照环境变量配置完成运行环境的配置。
- 在“vpc_resnet50_imagenet_classification”路径下执行如下命令。
python3 ./src/acl_sample.py
- 执行成功后，在屏幕上的关键提示信息示例如下。
Using device id:0 model path:./model/resnet50_aipp.om images path:./data [Sample] init resource stage: [Sample] init resource stage success [Model] The class Model initializes resources: [Model] create output dataset: [Model] create output dataset success [Model] The class Model initializes resources successfully. [Sample] width:1024 height:683 [Sample] image:./data/dog1_1024_683.jpg [Dvpp] vpc decode stage: [Dvpp] vpc decode stage success [Dvpp] vpc resize stage: [Dvpp] vpc resize stage success [Model] create model input dataset: [Model] create model input dataset success [Model] execute stage: [Model] execute stage success ======== top5 inference results: ======== label:161 prob: 0.712891 label:162 prob: 0.147095 label:167 prob: 0.051636 label:163 prob: 0.050476 label:166 prob: 0.030136 [SingleOP] single op cast success [SingleOp] get top 1 label success [SingleOP][ArgMaxOp] label of classification result is:161 [Sample] width:1024 height:683 [Sample] image:./data/dog2_1024_683.jpg [Dvpp] vpc decode stage: [Dvpp] vpc decode stage success [Dvpp] vpc resize stage: [Dvpp] vpc resize stage success [Model] create model input dataset: [Model] create model input dataset success [Model] execute stage: [Model] execute stage success ======== top5 inference results: ======== label:267 prob: 0.855469 label:266 prob: 0.049805 label:219 prob: 0.032654 label:265 prob: 0.013405 label:129 prob: 0.011024 [SingleOP] single op cast success [SingleOp] get top 1 label success [SingleOP][ArgMaxOp] label of classification result is:267 [Model] The class Model releases resources successfully. [Dvpp] class Dvpp exit success [SingOp] class SingOp release source success [Sample] class Samle release source success