- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

【昇腾CANN训练营第二期】【应用营】第三周作业：使用MindX SDK运行图像检测和图像分类

张辉发表于 2021/07/21 10:20:31 2021/07/21

【摘要】【昇腾CANN训练营第二期】【应用营】第三周作业实操

CANN训练营第二期应用营第三周作业链接：

https://bbs.huaweicloud.cn/forum/forum.php?mod=viewthread&tid=139269&fromuid=446160

实操作业为：

1、成功运行目标检测案例截图，需要包含命令行输出的检测结果、输出的图片、带时间日期。（15分）

2、图像分类作业：

https://gitee.com/kongchibin/ascend_camp/tree/master/%E4%BD%9C%E4%B8%9A/week3

       打分细则：

       能正常跑通程序并截图提交到作业贴，截图需要包含命令行输出的分类结果，带时间日期：5分

       能自行转换resnet50模型的，并将转换指令提交到作业贴：5分

       能把分类结果标记到图片并保存到本地，相关可视化代码片段提交至作业贴：5分

第三周的作业需要在第二周的作业基础上完成。第二周作业实操链接为：https://bbs.huaweicloud.cn/blogs/285668

作业1：

1、成功运行目标检测案例截图，需要包含命令行输出的检测结果、输出的图片、带时间日期。（15分）

参考链接：https://gitee.com/kongchibin/ascend_camp/tree/master/%E4%BD%9C%E4%B8%9A/week3

先看看AI1S服务器上有没有装cv2：

没有，那就装opencv2吧：

pip3.7 install opencv-python -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com

把孔老师代码仓的代码下载到本地后，再拖到服务器上去：（像如下的方法拖拉很方便的。。。）

将上节课编译好的模型拷贝过去：

根据week3的链接里面“配置环境变量”一段，贴到命令行执行：

这里需要注意，

第一个作业目标检测，需要传到服务器上的是孔老师 “课程”目录下的内容：

因为这里都是yoloV3的东西。

然后继续执行python main.py:

...

眼尖的张小白看出前面有个failed，不过应该是没事的吧。

我们把生成的result.jpg下载下来：

打开一看：

果然猫被检测到了，用蓝色框框住了。

我们再来做第二个作业：

2、图像分类作业：

https://gitee.com/kongchibin/ascend_camp/tree/master/%E4%BD%9C%E4%B8%9A/week3

打分细则：

能正常跑通程序并截图提交到作业贴，截图需要包含命令行输出的分类结果，带时间日期：5分

能自行转换resnet50模型的，并将转换指令提交到作业贴：5分

能把分类结果标记到图片并保存到本地，相关可视化代码片段提交至作业贴：5分

先建个resnet50的目录：/home/HwHiAiUser/MindX/resnet50

将作业的代码传上去：

（注意这里的模型目录是model不是yolo3的models）

按照readme的方式下载resnet50的模型：

或者去百度网盘下载老师准备好的模型：

上传到model目录：

检查test.pipeline代码是否使用了这个om文件：

其他两个文件好像刚才也上传了。

所以开始进行推理试试（先不叠加最后的图）

。。。

这里有个分类结果：Egyptian Cat（埃及艳后的猫？？）

Zhanghui_china:result---------------------------------
{'MxpiClass': [{'classId': 286, 'className': 'Egyptian cat', 'confidence': 0.500488281}]}

对比下yoloV3的返回结果：

{"MxpiObject":[{"classVec":[{"classId":15,"className":"cat","confidence":0.97992199999999996,"headerVec":[]}],"x0":35.598979900000003,"x1":453.298157,"y0":100.41439099999999,"y1":322.18307499999997}]}

我们参考yoloV3的代码改写下模型推理返回后的处理的相关代码代码：

由于两个地方都要读一个文件，那么在前面就把名字确定了：

（为了方便，将猫的jpg改为 test-cat.jpg）

    img_path = "test-cat.jpg"
    #img_path = "test-dog.jpg"
    with open(img_path, 'rb') as f:
        dataInput.data = f.read()

然后根据实际的返回读取className：

    results = json.loads(infer_result.data.decode())
    print('Zhanghui_china:result---------------------------------')
    print(results)

    bboxes = []

    for bbox in results['MxpiClass']:
        bboxes = { 'classId': int(bbox['classId']),
                   'className': bbox['className'],
                   'confidence': round(bbox['confidence'],9)}

然后将className（加个中括号醒目一点吧！）写到图片中：

    img = cv2.imread(img_path)
    #可视化代码填写处
    #从results取数据，获取分类的className，并利用opencv把标签名标记到图片
    #className = 'class:' +bboxes['className']
    className = '[' +bboxes['className'] + ']'
    print(className)

    cv2.putText(img, className, (50,50),cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 255, 255), 1)
    # 图像，文字内容， 坐标 ，字体，大小，颜色，字体厚度

    #cv2.imwrite("./result-dog.jpg", img)
    cv2.imwrite("./result-cat.jpg", img)

我们来试一下：

下载图片看结果：

换只狗试试：

代码的文件名也改一下：

运行结果：

图片下载后：

张小白还以为为啥不是dog...因为resnet的推理失效了呢。。。。

实际上：

Zhanghui_china:result---------------------------------
{'MxpiClass': [{'classId': 264, 'className': 'Pembroke, Pembroke Welsh corgi', 'confidence': 0.933105469}]}
[Pembroke, Pembroke Welsh corgi]

Pembroke Welsh corgi美 [ˈpɛmˌbroʊk welʃ ˈkɔːrɡi]
潘布鲁克威尔士柯基犬;彭布罗克柯基犬;彭布罗克威尔士柯基犬;彭布洛克威尔士科基犬;潘布鲁克威尔斯柯基犬

嗯，确实好像真的是条狗。。。

现在那应该只差模型没有做转换了。。。

回头看看第二周的应用营作业

https://gitee.com/kongchibin/ascend_camp/tree/master/%E8%AF%BE%E7%A8%8B/week2

这里面讲的atc转换的几个必要点：

要有aipp文件，这个第三周作业链接孔老师已经准备好了。

然后转换模型是以下一些参数：（yoloV3的例子）

atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 \
--soc_version=Ascend310 --insert_op_conf=./aipp_yolov3_416_416.aippconfig \
--input_shape="input/input_data:1,416,416,3" \
--out_nodes="conv_lbbox/BiasAdd:0;conv_mbbox/BiasAdd:0;conv_sbbox/BiasAdd:0"

pb文件，已经有了：

input_shape

从论文解读（https://zhuanlan.zhihu.com/p/353235794 ）上来看，应该是(3,224,224)

其他参数到底怎么写，好像也不清楚。

在 @花溪女侠的提示下，张小白做了尝试：

atc --model=./resnet50_v1.5.pb --framework=3 --output=resnet50_zhanghui_china --output_type=FP32 --soc_version=Ascend310 --input_shape=input_tensor:1,224,224,3 --insert_op_conf=./aipp_resnet50_224_224.aippconfig