运行图像分类样例
本节以容器OS为ubuntu作为示例,通过在容器中运行ResNet-50网络图片分类样例,验证环境是否可用。
样例描述
基于Caffe ResNet-50网络实现图片分类,该样例主要是基于Caffe ResNet-50网络(单输入、单Batch)实现图片分类的功能。
在该样例中:
- 先使用样例提供的脚本transferPic.py,将2张*.jpg图片都转换为*.bin格式,同时将图片从1024*683的分辨率缩放为224*224。
- 加载离线模型om文件,对2张图片进行同步推理,分别得到推理结果,再对推理结果进行处理,输出top5置信度的类别标识。
在加载离线模型前,提前将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型。
样例代码结构如下所示:
├── data │ ├── dog1_1024_683.jpg //测试数据,需要按指导获取测试图片,放到data目录下 │ ├── dog2_1024_683.jpg //测试数据,需要按指导获取测试图片,放到data目录下 ├── inc │ ├── model_process.h //声明模型处理相关函数的头文件 │ ├── sample_process.h //声明资源初始化/销毁相关函数的头文件 │ ├── utils.h //声明公共函数(例如:文件读取函数)的头文件 ├── script │ ├── transferPic.py //将*.jpg转换为*.bin,同时将图片从1024*683的分辨率缩放为224*224 ├── src │ ├── acl.json //系统初始化的配置文件 │ ├── CMakeLists.txt //编译脚本 │ ├── main.cpp //主函数,图片分类功能的实现文件 │ ├── model_process.cpp //模型处理相关函数的实现文件 │ ├── sample_process.cpp //资源初始化/销毁相关函数的实现文件 │ ├── utils.cpp //公共函数(例如:文件读取函数)的实现文件 ├── .project //工程信息文件,包含工程类型、工程描述、运行目标设备类型等 ├── CMakeLists.txt //编译脚本,调用src目录下的CMakeLists文件
获取样例
获取样例需要下载相关依赖,请确保容器能够连接网络。
操作步骤如下:
- 执行如下命令,进入容器(本例为“1dc80f32c263”)。
docker exec -it 1dc80f32c263 /bin/bash
- 执行如下命令安装依赖。
apt update apt install git cmake -y
- 在容器任意目录下(如“/home”)执行如下命令获取sample仓代码。
cd /home git clone https://gitee.com/ascend/samples.git
如果返回类似以下回显信息:
fatal: unable to access 'https://gitee.com/ascend/samples.git/': server certificate verification failed. CAfile: none CRLfile: none
则执行git config --global http.sslVerify "false"命令关闭证书检验,再执行git clone https://gitee.com/ascend/samples.git命令获取sample仓代码。
准备模型和图片
- 执行如下命令安装Python依赖。
pip3 install Pillow attrs psutil
- 进入sample仓代码所在目录,执行以下命令,进入样例目录“samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”。
cd samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification
下文中的“样例目录”均指“samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”目录
- 准备ResNet-50模型。
- 获取ResNet-50原始模型。
执行如下命令创建caffe_model目录,并获取ResNet-50网络的模型文件(*.prototxt)、权重文件(*.caffemodel)。
mkdir -p caffe_model cd caffe_model wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.prototxt --no-check-certificate wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.caffemodel --no-check-certificate
- 配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh
- 将ResNet-50原始模型转换为适配昇腾AI处理器的离线模型(*.om文件)。
执行npu-smi info命令查看芯片名称,如下图所示,则该设备芯片名为Ascend310P3。
在“样例目录”下执行如下命令,其中“--soc_version”参数值(如下加粗内容所示)根据查询的实际芯片名称(以“Ascend310P3”为例)填写:
cd /home/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310P3 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0
- --model:原始模型文件路径。
- --weight:权重文件路径。
- --framework:原始框架类型。0:表示Caffe;1:表示MindSpore;3:表示TensorFlow;5:表示ONNX。
- --soc_version:昇腾AI处理器的版本。
- --input_format:输入数据的Format。
- --input_fp16_nodes:指定输入数据类型为FP16的输入节点名称。
- --output_type和--out_nodes:这2个参数配合使用,指定prob节点的第一个输出的数据类型为float32。
- --output:生成的resnet50.om文件存放在“样例目录/model”目录下。
- 获取ResNet-50原始模型。
- 准备测试图片。
在“样例目录/data”目录下获取样例图片,如果data目录不存在,可在样例目录下执行mkdir -p data命令创建。
cd data wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg --no-check-certificate wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg --no-check-certificate
执行如下命令,将*.jpg转换为*.bin,同时将图片从1024*683的分辨率缩放为224*224。在“样例目录/data“目录下生成2个*.bin文件。
python3 ../script/transferPic.py
编译运行
- 切换至“样例目录”。
cd /home/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification
- 设置环境变量,配置程序编译依赖的头文件与库文件路径。以CANN的默认安装路径“/usr/local/Ascend”为例,用户请根据CANN的实际安装路径配置。
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
- DDK_PATH:编译脚本会根据“{DDK_PATH}环境变量值/runtime/include/acl”目录查找编译依赖的头文件。
- NPU_HOST_LIB:编译脚本会根据{NPU_HOST_LIB}环境变量指向的目录查找编译依赖的库文件。
- 创建目录用于存放编译文件(以“build/intermediates/host”为例)。
mkdir -p build/intermediates/host
- 切换到“build/intermediates/host”目录,执行如下命令生成可执行文件,生成的可执行文件在“样例目录/out”目录下。
cd build/intermediates/host cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE make
- 在“样例目录/out”目录下,执行如下命令运行可执行文件。
cd /home/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification/out ./main
执行成功后,关键提示信息示例如下,提示信息(如下加粗内容所示,为推理结果)中的index表示类别标识、value表示该分类的最大置信度,这些值可能会根据版本、环境有所不同,请以实际情况为准:[INFO] acl init success [INFO] set device 0 success [INFO] create context success [INFO] create stream success [INFO] get run mode success [INFO] load model ../model/resnet50.om success [INFO] create model description success [INFO] create model input success [INFO] create model output success [INFO] start to process file:../data/dog1_1024_683.bin [INFO] model execute success [INFO] top 1: index[161] value[0.763672] [INFO] top 2: index[162] value[0.157593] [INFO] top 3: index[167] value[0.039215] [INFO] top 4: index[163] value[0.021835] [INFO] top 5: index[166] value[0.011871] [INFO] output data success [INFO] start to process file:../data/dog2_1024_683.bin [INFO] model execute success [INFO] top 1: index[267] value[0.935547] [INFO] top 2: index[266] value[0.041107] [INFO] top 3: index[265] value[0.018967] [INFO] top 4: index[219] value[0.002865] [INFO] top 5: index[160] value[0.000311] [INFO] output data success [INFO] destroy model input success [INFO] destroy model output success [INFO] unload model success, modelId is 1 [INFO] destroy model description success [INFO] execute sample success [INFO] end to destroy stream [INFO] end to destroy context [INFO] end to reset device 0 [INFO] end to finalize acl
- 类别标签和类别的对应关系与训练模型时使用的数据集有关,本样例使用的模型是基于imagenet数据集进行训练的,您可以单击Link查阅imagenet数据集的标签及类别的对应关系,推理结果如下所示。图1 dog1_1024_683.jpg
表1 dog1_1024_683.jpg推理结果 类别标签
类别(推理结果)
161
巴吉特,巴吉特猎犬
162
小猎犬
167
英国猎狐犬
163
猎犬,侦查犬
166
沃克猎犬,沃克猎犬
图2 dog2_1024_683.jpg
表2 dog2_1024_683.jpg推理结果 类别标签
类别(推理结果)
267
标准贵宾犬
266
微型贵宾犬
265
玩具贵宾犬
219
可卡犬,英国可卡犬,可卡犬
160
阿富汗猎犬,阿富汗