昇腾的AI全软件栈平台、开源框架、CANN、MindSpore、MindX 等工具，可以让开发者实现「统一端边云，全端自动部署」，开启了机器学习开发的新时代，一直被人们寄予厚望。但正因为资源极其丰富，浩如星辰，想要快速寻找，到摸索清楚其中的原理，并最终结合自己手上的项目实现应用部署，人力成本、时间成本将增加不少，不利于快速推进项目。
现在~好消息来了！经过英码科技工程师们的认真梳理，本篇文章，我们以英码科技EA500I边缘计算盒子为例，为大家介绍在昇腾CANN架构下，基于PyTorch框架的ResNet50模型，以及基于YOLOV7网络模型如何快速实现模型推理应用。
CANN架构介绍
异构计算架构CANN（Compute Architecture for Neural Networks）是华为针对AI场景推出的异构计算架构，向上支持多种AI框架，包括MindSpore、PyTorch、TensorFlow等，向下服务AI处理器与编程，发挥承上启下的关键作用，是提升昇腾AI处理器计算效率的关键平台。同时针对多样化应用场景，提供多层次编程接口，支持用户快速构建基于昇腾平台的AI应用和业务。
01、样例1介绍（ResNet50模型）
▍基于PyTorch框架的ResNet50模型，对*.jpg图片分类，输出各图片所属分类的编号、名称。
样例的处理流程如下图所示：
1、样例下载
命令行方式下载(下载时间较长，需稍作等待)。
# 开发环境，非root用户命令行中执行以下命令下载源码仓。
cd ${HOME}
git clone https://gitee.com/ascend/samples.git
注： 如果需要切换到其它tag版本，以v0.9.0为例，可执行以下命令。
git check out v0.9.0
样例的代码目录说明如下：
2、准备环境
（1）安装CANN软件
最新版本的CANN软件安装指南请戳→安装指南
注：英码科技EA500I智能工作站系统环境中已适配该软件，无需另行下载安装。
（2）设置环境变量
注：“$HOME/Ascend”请替换“Ascend-cann-toolkit”包的实际安装路径。
# 设置CANN依赖的基础环境变量
. ${HOME}/Ascend/ascend-toolkit/set_env.sh
#如果用户环境存在多个python3版本，则指定使用python3.7.5版本
export PATH=/usr/local/python3.7.5/bin:$PATH
#设置python3.7.5库文件路径
export LD_LIBRARY_PATH=/usr/local/python3.7.5/lib:$LD_LIBRARY_PATH
# 配置程序编译依赖的头文件与库文件路径
export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
（3）安装OpenCV
执行以下命令安装opencv ，须确保是3.x版本；
sudo apt-get install libopencv-dev
3、样例运行
（1）获取PyTorch框架的ResNet50模型(*.onnx)，并转换为昇腾AI处理器能识别的模型(*.om)
注：此处以昇腾310 AI处理器为 例，针对其它昇腾AI处理器的模型转换，需修改atc命令中的– soc_version参数值。
# 为方便下载，这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。
cd $HOME/samples/inference/modelInference/sampleResnetQuickStart/
cpp/model wget https://obs-9be7.obs.cn-east- 2.myhuaweicloud.com/003_Atc_Models/resnet50/resnet50.onnx
atc –model=resnet50.onnx –framework=5 –output=resnet50 —
input_shape=”actual_input_1:1,3,224,224″ –soc_version=Ascend310
atc命令中各参数的解释如下，详细约束说明请参见《ATC模型转换指南》。
–model ：ResNet-50网络的模型文件的路径
–framework：原始框架类型。5表示ONNX。
–output：resnet50.om模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。
–input_shape：模型输入数据的shape。
–soc_version：昇腾AI处理器的版本。
说明：如果无法确定当前设备的soc_version，则在安装驱动包的服务器执行npu-smi info 命令进行查询，在查询到的“Name“前增加Ascend信息，例如“Name“对应取值为_xxxyy_ ， 实际配置的soc_version值为Ascend_xxxyy_。
（2）获取测试图片数据
请从以下链接获取该样例的测试图片dog1_ 1024_683.jpg，放在data目录下。
cd $HOME/samples/inference/modelInference/
sampleResnetQuickStart/cpp/data wget
https://obs-9be7.obs.cn-east- 2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
注：若需更换测试图片，则需自行准备测试图片，并将测试图片放到data目录下。
（3）编译样例源码
执行以下命令编译样例源码：
cd $HOME/samples/inference/modelInference/
sampleResnetQuickStart/
cpp/scripts bash sample_build.sh
（4）运行样例
执行以下脚本运行样例：
bash sample_run.sh
执行成功后，在屏幕上的关键提示信息示例如下，提示信息中的label表示类别标识、conf表示该分类的 最大置信度，class表示所属类别。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] The sample starts to run
out_dog1_1024_683.jpg
label:162 conf:0.902209 class:beagle
[INFO] The program runs successfully
4、代码逻辑详解（C&C++语言）
样例中的接口调用流程如下图所示：
在此样例基础上：
若想要更换测试图片，只需自行准备好新的jpg图片并存放到样例的data目录下，图片数据预处理时会自 动从该目录下读取图片数据、再缩放至模型所需的大小。
若想要更换模型，则需关注以下修改点：
1.准备模型：需自行准备好原始模型并存放到样例的model目录下，再参考《ATC模型转换指南》转换模型；
2. 加载模型：在aclmdlLoadFromFile接口处加载转换后的模型；
3. 准备模型输入/输出数据结构：根据新模型的输入、输出个数准备；
4. 获取推理结果&后处理：根据新模型的输出数据进行后处理。
须知： 一般来说，更换其它图片分类模型(例如resnet50- >resnet101) ,由于同类模型的输入、输出类 似，在此样例基础上改动较小，但如果更换为其它类型的模型(例如目标检测模型)，由于不同类型模 型的输入、输出差别较大，在此样例基础上数据预处理、模型输入&输出准备以及数据后处理等改动很大，建议在Ascend Sample仓先找到目标检测类的样例，再基于目标检测样例修改。
02、样例2介绍（YOLOV7模型）
以YOLOV7网络模型为例，使能Acllite对图片进行预处理，并通过模型转换使能静态AIPP功能，使能AIPP功能后，YUV420SP_U8格式图片转化为RGB，然后减均值和归一化操作，并将该信息固化到转换后的离线模型中，对YOLOV7网络执行推理，对图片进行物体检测和分类，并给出标定框和类别置信度。
样例输入：图片。样例输出：图片物体检测，并且在图片上给出物体标注框，类别以及置信度。1
获取源码包
可以使用以下两种方式下载，请选择其中一种进行源码准备。
命令行方式下载(下载时间较长，但步骤简单)：
# 开发环境，非root用户命令行中执行以下命令下载源码仓。
cd ${HOME}git clone https://gitee.com/ascend/samples.git
注：如果需要切换到其它tag版本，以v0.5.0为例，可执行以下命令。
git checkout v0.5.0压缩包方式下载(下载时间较短，但步骤稍微复杂)。注：如果需要下载其它版本代码，请先请根据前置条件说明进行samples仓分支切换。# 1. samples仓右上角选择【克隆/下载】下拉框并选择【下载ZIP】。
# 2. 将ZIP包上传到开发环境中的普通用户家目录中，【例如：${HOME}/ascend-samples- master.zip】。
# 3. 开发环境中，执行以下命令，解压zip包。cd ${HOME}unzip ascend-samples-master.zip
2、第三方依赖安装
设置环境变量，配置程序编译依赖的头文件，库文件路径。“$HOME/Ascend”请替换“Ascend-cann-toolkit”包的 实际安装路径。export DDK_PATH=$HOME/Ascend/ascend-toolkit/latestexport NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stubexport THIRDPART_PATH=${DDK_PATH}/thirdpartexport LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH
创建THIRDPART_PATH路径：
mkdir -p ${THIRDPART_PATH}
acllite
注：源码安装ffmpeg主要是为了acllite库的安装 执行以下命令安装x264# 下载x264cd ${HOME}git clone https://code.videolan.org/videolan/x264.gitcd x264# 安装x264./configure –enable-shared –disable-asmmakesudo make installsudo cp /usr/local/lib/libx264.so.164 /lib
执行以下命令安装ffmpeg：
# 下载ffmpeg
cd ${HOME}
wge thttp://www.ffmpeg.org/releases/ffmpeg-4.1.3.tar.gz –no-check- certificatetar -zxvf ffmpeg-4.1.3.tar.gz
cd ffmpeg-4.1.3
# 安装ffmpeg
./configure –enable-shared –enable-pic –enable-static –disable-x86asm — enable-libx264 –enable-gpl –prefix=${THIRDPART_PATH}
make -j8
make install
执行以下命令安装acllite：cd ${HOME}/samples/inference/acllite/cplusplusmakemake install
安装opencv
执行以下命令安装opencv(注:须确保是3.x版本)
sudo apt-get install libopencv-dev
3、样例运行
（1）数据准备
请从以下链接获取该样例的输入图片，放在data目录下。
cd $HOME/samples/inference/modelInference/sampleYOLOV7/datawget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
（2）ATC模型转换
将YOLOV7原始模型转换为适配昇腾310处理器的离线模型(*.om文件)，放在model路径下。#为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。 cd $HOME/samples/inference/modelInference/sampleYOLOV7/modelwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/yolov7x.onnxwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/aipp.cfgatc –model=yolov7x.onnx –framework=5 –output=yolov7x –input_shape=”images:1,3,640,640″ –soc_version=Ascend310 –insert_op_conf=aipp.cfg样例编译执行以下命令，执行编译脚本，开始样例编译。cd $HOME/samples/inference/modelInference/sampleYOLOV7/scriptsbash sample_build.sh样例运行执行运行脚本，开始样例运行。bash sample_run.s
（3）样例结果展示
运行完成后，会在样例工程的out目录下生成推理后的图片，显示对比结果如下所示。
结语
以上内容详细介绍了在昇腾CANN架构下，基于PyTorch框架的ResNet50模型，以及基于YOLOV7网络模型如何快速实现模型推理应用的主要流程，尤其方便已购买英码科技EA500I边缘计算盒子的开发者朋友们快速实现推理应用。
下期将会继续更新关于昇腾开发工具的其他详细使用教程，欢迎关注！