--- title: 运行图像分类样例 description: "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。" url: https://www.hiascend.com/document/detail/zh/300Vtest/latest/300V_0044.html sourcePath: /source/zh/300Vtest/300VG/300V_0044.html indexId: 1d8bfae310c14f5b06a334f04fee62ef15920df70fd7f93d6baafdf1a2091c6540 --- # 运行图像分类样例 #### 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： 1. 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。 2. 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 在任意目录下（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 ``` 可执行如下命令关闭证书检验。 ``` git config --global http.sslVerify "false" ``` #### 准备模型和图片 1. 执行如下命令安装Python依赖。 ``` pip3 install Pillow attrs psutil ``` 2. 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 3. 准备ResNet-50模型。 a. 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 ``` b. 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，红框处为芯片名称。 在“样例目录”下执行如下命令，以下命令只适用于310P芯片。 ``` 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。 4. 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 1. 进入“样例目录”。 ``` cd /home/samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification ``` 2. 设置环境变量，配置程序编译依赖的头文件与库文件路径。 ``` 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。 3. 创建目录用于存放编译文件（以“build/intermediates/host”为例）。 ``` mkdir -p build/intermediates/host ``` 4. 进入“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 ``` 若回显类似如下报错信息，表示未安装cmake。 ``` bash: cmake: command not found ``` 请执行如下命令安装。 ``` apt-get update apt-get install -y cmake ``` 5. 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，这些值可能会因版本和环境而有所不同，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 ``` 6. 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(https://blog.csdn.net/u013491950/article/details/83927968)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 |