Skip to content

Latest commit

 

History

History
132 lines (75 loc) · 7.23 KB

Readme_cn.md

File metadata and controls

132 lines (75 loc) · 7.23 KB

中文|English

Faster-R-CNN检测网络应用

本Application支持运行在Atlas 200 DK或者AI加速云服务器上，实现了对faster-rcnn目标检测网络的推理功能。

当前分支中的应用适配1.32.0.0及以上版本的DDK&RunTime。

前提条件

部署此Sample前，需要准备好以下环境：

  • 已完成Mind Studio的安装。
  • 已完成Atlas 200 DK开发者板与Mind Studio的连接，交叉编译器的安装，SD卡的制作及基本信息的配置等。

部署

可以选择如下快速部署或者常规方法部署，二选一即可：

  1. 快速部署，请参考： https://github.com/Atlas200dk/faster-deploy 。

    说明：

    • 该快速部署脚本可以快速部署多个案例，请选择objectdetection案例部署即可。
    • 该快速部署脚本自动完成了代码下载、模型转换、环境变量配置等流程，如果需要了解详细的部署过程请选择常规部署方式。转 ：2. 常规部署

  2. 常规部署，请参考： https://github.com/Atlas200dk/sample-README/tree/master/sample-objectdetection 。

    说明：

    • 该部署方式，需要手动完成代码下载、模型转换、环境变量配置等过程。完成后，会对其中的过程更加了解。

编译

  1. 打开对应的工程。

    以Mind Studio安装用户在命令行中进入安装包解压后的“MindStudio-ubuntu/bin”目录，如：$HOME/MindStudio-ubuntu/bin。执行如下命令启动Mind Studio。

    ./MindStudio.sh

    启动成功后，打开sample_objectdetection工程，如图 打开objectdetection工程所示。

    图 1 打开objectdetection工程

  2. 在src/param_configure.conf文件中配置相关工程信息。

    图 2 配置文件路径

    该配置文件默认配置内容如下：

    remote_host=192.168.1.2

    remote_host：Atlas 200 DK开发者板的IP地址。

    说明：

    • 注意参数填写时不需要使用“”符号。
    • 当前已经按照配置示例配置默认值，请按照配置情况自行修改。

  3. 执行deploy脚本， 进行配置参数调整及第三方库下载编译 打开Mind Studio工具的Terminal，此时默认在代码主目录下，执行如下命令在后台指执行deploy脚本，进行环境部署。如图 执行deploy脚本所示。

    图 3 执行deploy脚本

    说明：

    • 首次deploy时，没有部署第三方库时会自动下载并编译，耗时可能比较久，请耐心等待。后续再重新编译时，不会重复下载编译，部署如上图所示。
    • deploy时，需要选择与开发板通信的主机侧ip，一般为虚拟网卡配置的ip。如果此ip和开发板ip属于同网段，则会自动选择并部署。如果非同网段，则需要手动输入与开发板通信的主机侧ip才能完成deploy。

  4. 开始编译，打开Mindstudio工具，在工具栏中点击Build > Build > Build-Configuration。如图 编译操作及生成文件所示，会在目录下生成build和run文件夹。

    图 4 编译操作及生成文件

    注意：

    首次编译工程时，Build > Build为灰色不可点击状态。需要点击Build > Edit Build Configuration，配置编译参数后再进行编译。

  5. 将需要推理的图片上传至Host侧任一属组为HwHiAiUser用户的目录。

    图片要求如下：

    • 格式：jpg、png、bmp。
    • 输入图片宽度：16px~4096px之间的整数。
    • 输入图片高度：16px~4096px之间的整数。

运行

  1. 在Mindstudio工具的工具栏中找到Run按钮，点击 Run > Run 'sample-objectdetection'，如图 程序已执行示意图所示，可执行程序已经在开发板执行。

    图 5 程序已执行示意图

    以上报错信息请忽略，因为Mind Studio无法为可执行程序传参，上述步骤是将可执行程序与依赖的库文件部署到开发者板，此步骤需要ssh登录到开发者板至相应的目录文件下手动执行，具体请参考以下步骤。

  2. 在Mind Studio所在Ubuntu服务器中，以HwHiAiUser用户SSH登录到Host侧。

    ssh HwHiAiUser@host_ip

    对于Atlas 200 DK，host_ip默认为192.168.1.2（USB连接）或者192.168.0.2（NIC连接）。

  3. 进入faster-rcnn检测网络应用的可执行文件所在路径。

    命令举例如下：

    cd ~/HIAI_PROJECTS/workspace_mind_studio/sample_objectdetection_XXXXX/out

    说明：

    • 此路径中sample_objectdetection_XXXXX的XXXXX是一串字母和数字的随机组合，每次重新编译运行时都会随机生成。

  4. 执行应用程序。

    执行run_object_detection_faster_rcnn.py脚本会将推理生成的图片保存至指定路径。

    命令示例如下所示：

    python3 run_object_detection_faster_rcnn.py -w 800 -h 600 -i ./example.jpg -o ./out -c 21

    • -w/model_width：模型的输入图片宽度，为16~4096之间的整数。
    • -h/model_height：模型的输入图片高度，为16~4096之间的整数。
    • -i/input_path：输入图片的目录/路径，可以有多个输入。
    • -o/output_path：输出图片的目录，默认为当前目录。
    • -c/output_categories：faster_rcnn检测的类别数(包含背景)，为2~32之间的整数，默认为值为21。

  5. 其他详细参数请执行python3 run_object_detection_faster_rcnn.py --help命令参见帮助信息。