图文讲解Atlas 500适配yolov5进行物体检测丨【我的华为云体验之旅】

1 yolov5模型概述

      yolov5是 YOLO算法 （You Only Look Once）的第5个版本，YOLO可以说是当前实时对象检测算法中的佼佼者，它由Redmon等人在2016年的一篇论文中命名的，目前广泛应用于多种AI 目标对象检测场景中，可以非常方便的检测出图像中的对象类别，比如人、车、动物等。虽然在某些场景下， yolov4的算法推理精度优于目前的yolov5，但是yolov5的某些新特征却更加具有吸引力。比如，yolov5在检测平均精度降低不多的基础上，具有推理模型文件更小，训练时间和推理速度更短的特点，这样在对精度要求不高的情况下，采用yolov5在模型构建、模型部署等方面将更加方便，而且推理速度更快。
     官网源码地址路径为：   https://github.com/ultralytics/yolov5   ，在官网上也给出了yolov5 （6.0 releases）不同模型（YOLOv5s、YOLOv5m和 YOLOv5n 等）的速度分析对比图，具体如下所示：

      官网也给出了不同的releases版本文件，可以访问网址  https://github.com/ultralytics/yolov5/releases 来查看。目前最新的为6.0，但考虑到需要和Atlas 500智能小站适配，这里选择 4.0 及以下版本。下面给出 4.0 releases的各权重文件的分析对比图，如下所示：

    从上图可以看出，YOLOv5s的权重文件(params）只有7.3M，而且推理速度最快为2.2ms 。但是精度是最差的，YOLOv5m的权重文件为21.4M，而且推理速度为2.9ms 。推理精度最好的为YOLOv5x ，但权重文件为87.7M 。因此，YOLOv5s更适合在移动设备上进行部署。关于选择什么权重文件，需要根据自己的部署环境和精度要求来具体分析。

2 Atlas 500 智能小站概述

      基于华为Ascend处理器开发AI应用程序，一般需要搭建开发环境和运行环境。开发环境可以在非昇腾设备和昇腾设备上进行搭建。而运行环境则需要在昇腾AI设备上进行搭建。其中的 Atlas 500 是华为面向广泛边缘应用场景的轻量边缘设备，具有超强计算性能、大容量存储、配置灵活、体积小、支持温度范围宽、环境适应性强、易于维护管理等特点。它主要应用在智能视频监控、分析、数据存储等应用场景，可以广泛部署在各类边缘、中心机房，满足在社区、园区、商场、超市等复杂环境区域的应用。关于各类硬件设备，可以参考官网：https://www.hiascend.com/document?tag=hardware 。
    其中的华为Atlas 500小站硬件的官网地址如下：https://support-it.huawei.com/server-3d/res/server/atlas500/index.html 华为Atlas 500小站示意图如下：

官网给出的产品特定如下：

边缘场景易用性
实时性：它可以在本地处理数据，提供实时的响应。
低带宽：只将必要的信息传送到云上。
隐私保护：客户可以决定要传送到云上和保留在本地的信息。所有传送到云上的信息都是可以加密的。
16路视频分析和存储能力
支持16路视频分析能力（最大16路1080p解码，22TOPS INT8算力）。
支持12TB存储容量，16路1080p@4Mb码流视频缓存7天，8路1080p@4Mb码流视频缓存30天。
极强环境适应能力，边缘环境部署
工业防护等级：IP40。
无风扇设计，支持-40℃～+70℃宽温度工作环境。
灵活选配，无线回传
支持选配3G或4G模块（无线回传）。
可靠性高
系统内所有固件均有双镜像备份，故障时可自动进行主备区切换。
支持软件、硬件故障检测与告警。
提供双机解决方案，内置双机备份软件，支持两台Atlas 500 智能小站组成双机备份系统，单台Atlas 500 智能小站故障时自动发起倒换。

3 Atlas 500 yolov5 适配过程

      Atlas 500 智能小站自带的欧拉操作系统，在模型迁移和安装相关库方面相对来说，较为繁琐。因此，我们可以通过制作Docker镜像来部署。关于如何在Atlas 500 上构建Docker镜像，可以参考之前的博文《华为Atlas 500小站Docker镜像制作》，这里不再赘述。首先我们需要用SSH 来登录Atlas 500 ，成功登录后，首先查看一下制作的镜像文件，可以输入 docker images 来查看，示例如下所示：

Euler:/opt/mount/docker05 # docker images
REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
workload-image      v1.0                5533b1d161d8        4 weeks ago         585MB
ubuntu              18.04               7266638574fb        2 months ago        56.6MB
k8s.gcr.io/pause    latest              3df7a9f2d9f8        16 months ago       1.57MB

      其中的 workload-image 为制作的镜像文件，下面启动该镜像，并指定 -v 参数来挂载宿主机目录到Docker 容器中，这样二者可以共享一些目录和存储。其中的/home/data/miniD/driver/lib64 为 Atlas 500 智能小站的NPU驱动，npu-smi 工具可以查看npu相关信息，可以用来验证NPU芯片是否可用。启动Docker容器命令如下所示：

docker run --device=/dev/davinci0  \
--device=/dev/davinci_manager   \
--device=/dev/hisi_hdc    \
--device /dev/devmm_svm   \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi  \
-v /home/data/miniD/driver/lib64:/home/data/miniD/driver/lib64  \
-v /run/board_cfg.ini:/run/board_cfg.ini   \
-v /opt/mount/docker05:/opt/mount/docker05  \
-it workload-image:v1.0 bash

      正常启动后，会切换到Docker容器中，首先输入如下命令进行NPU状态查看：

root@c25e51b32a55:~# npu-smi info

      显示信息如下则表示NPU可以使用，可以进行下一步操作。经过实际操作，发现Atlas 500只能有一个Docker容器可以使用NPU资源。npu-smi info 显示结果如下所示：

      其中的 NPU Chip 代表 NPU芯片，这里的device id 为 0 ，Name Device 为 310 ，代表华为Ascend 310 。Health Bus-Id 为 OK ，则说明正常可以使用。下面需要安装PyACL  相关的依赖项，执行如下命令：

#更新
apt-get update
#安装 pip3 
apt-get install python3-pip
# 只能用python3.6 进行安装python依赖库
python3.6 -m pip install --upgrade pip --user -i https://mirrors.huaweicloud.com/repository/pypi/simple
python3.6 -m pip install Cython numpy tornado==5.1.0 protobuf --user   \
-i https://mirrors.huaweicloud.com/repository/pypi/simple
# 安装 wget
apt-get install wget
# 安装 vim
apt-get install vim
# 安装opencv-python
python3.6 -m pip install opencv-python==4.5.4.60 --user  -i https://mirrors.huaweicloud.com/repository/pypi/simple
# fix ImportError: libGL.so.1 
apt install libgl1-mesa-glx

     成功安装后，可以输入如下命令进行验证，如果在python交互环境中，可以成功导入 import cv2 则说明 OpenCV依赖安装成功，具体示意如下所示 ：

root@c25e51b32a55:~# python3
Python 3.6.9 (default, Jan 26 2021, 15:33:00)
[GCC 8.4.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import cv2
>>> print(cv2.__version__)
4.5.4
>>>

      然后继续安装 ffmpeg 以及相关依赖项，执行如下命令 :

apt-get install -y libavformat-dev libavcodec-dev libavdevice-dev libavutil-dev libswscale-dev 
apt-get install pkg-config libxcb-shm0-dev libxcb-xfixes0-dev
#安装 av 库
python3.6 -m pip install av==6.2.0 -i https://mirrors.huaweicloud.com/repository/pypi/simple
apt-get install libtiff5-dev libjpeg8-dev zlib1g-dev libfreetype6-dev liblcms2-dev libwebp-dev tcl8.6-dev tk8.6-dev python-tk
# 安装 x264 x265
apt-get install x264 x265
# 安装PIL和 requests 
python3.6 -m pip install Pillow requests -i https://mirrors.huaweicloud.com/repository/pypi/simple
# 安装numpy
python3.6 -m pip install numpy -i https://mirrors.huaweicloud.com/repository/pypi/simple
# 安装 ffmpeg
apt-get install ffmpeg

      最后，配置一下环境变量，执行如下命令 :

vi ~/.bashrc

    在末尾添加如下配置 :

export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/atc/lib64:/usr/local/Ascend/nnrt/latest/acllib/lib64:/home/data/miniD/driver/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/Ascend/ascend-toolkit/latest/atc/bin:/usr/local/Ascend/ascend-toolkit/latest/atc/ccec_compiler/bin:$PATH
export PYTHONPATH=/usr/local/Ascend/ascend-toolkit/latest/toolkit/python/site-packages:/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages:/usr/local/Ascend/nnrt/latest/pyACL/python/site-packages/acl:$PYTHONPATH
export ASCEND_AICPU_PATH=/usr/local/Ascend/nnrt/latest:$ASCEND_AICPU_PATH
export ASCEND_OPP_PATH=/usr/local/Ascend/ascend-toolkit/latest/opp
export TOOLCHAIN_HOME=/usr/local/Ascend/ascend-toolkit/latest/toolkit:${TOOLCHAIN_HOME}

      以上路径位置，需要根据自己的实际情况来进行调整。为了更好的后续进行部署，不要重新进行环境配置，这里将容器镜像导出为文件，可以进行备份，以后可以基于导出的文件来进行还原。执行如下命令 :

# 将id为c25e51b32a55的容器提交改变到atlas500-python:v2.0 镜像
docker commit c25e51b32a55 atlas500-python:v2.0
# 将atlas500-python:v2.0 镜像导出为atlas500-python-opencv4.5-ffmepg.tar 文件
docker save -o atlas500-python-opencv4.5-ffmepg.tar atlas500-python:v2.0

       这样我们可以通过相关命令，将这个文件通过 Atlas 500 的临时文件目录（貌似大小为2G左右）拷贝到其他环境中，下面的命令可以参考:

# 拷贝到临时目录
Euler:/opt/mount/docker05 # cp atlas500-workload-image.tar /tmp
#修改权限，这样可以通过sftp进行下载
Euler:/opt/mount/docker05 # chmod 777 /tmp/*
# 启动Docker 容器
Euler:/opt/mount/docker05 # docker start c25e51b32a55
# 进入Docker 容器
Euler:/opt/mount/docker05 # docker attach c25e51b32a55
root@c25e51b32a55:~#

     另外，需要在Docker容器中执行如下命令，来安装一些辅助工具:

#vim 中文乱码解决方法
vi /etc/vim/vimrc
################添加如下配置 #########
set fileencodings=utf-8,gb2312,gbk,gb18030
set termencoding=utf-8
set encoding=prc
#####################################
# 安装 ping 工具
apt-get install -y inetutils-ping

      下面需要准备适配需要的相关软件，这里需要使用ATC工具进行模型转换，这个具体过程可以参考《Atlas 500 Docker ATC模型转换镜像搭建》，下面切换到ATC工具所在的Ubuntu环境，由于Atlas 500 CPU 性能比较弱，因此可以在X86机器上进行ATC相关模型的转换工作。下面基于yolov4 4.0版本来进行相关适配操作。首先，登录ATC所在的操作系统，以root用户来进行操作。执行如下命令：

su root
cd mysoft
# 下载 yolov5-4.0 
wet https://github.com/ultralytics/yolov5/archive/v4.0.tar.gz
#重命名
mv v4.0.tar.gz yolov5-4.0.tar.gz
#解压
tar -xzf yolov5-4.0.tar.gz
#切换目录
cd yolov5-4.0
#下载权重文件
wget https://github.com/ultralytics/yolov5/releases/download/v4.0/yolov5s.pt
wget https://github.com/ultralytics/yolov5/releases/download/v4.0/yolov5m.pt

      下面给出至关重要的一步，修改官网export.py中的源码，将 opset_version= 12 修改为 opset_version= 11  。执行命令如下所示：

vi models/export.py

      修改内容如下所示：

     执行导出模型操作 ，从 yolov5m.pt 导出为  yolov5m.onnx 模型，具体命令如下所示 :

#onnx >= 1.9 & numpy >= 1.17
python3 -m pip install onnx
python3.6 models/export.py --weights ./yolov5m.pt --img 640 --batch 1

     成功执行，此时可以查看生成的文件名称，执行 ls 命令查看文件列表 ，界面如下所示 :

      下面对 yolov5m.onnx 模型进行修改，这里执行如下命令：

python3  modify_yolov5.py yolov5m.onnx yolov5m
###########################################
root@jackpc:/home/jack/mysoft/yolov5-4.0# ls
data        models            train.py         yolov5_modified.onnx
detect.py   modify_yolov5.py  tutorial.ipynb   yolov5m.onnx
Dockerfile  README.md         utils            yolov5m.pt
hubconf.py  requirements.txt  weights          yolov5m.torchscript.pt
LICENSE     test.py           yolov5m.mlmodel

     其中的  yolov5_modified.onnx 则为修改过的 onnx 模型。下面需要查看这个模型的可视化结构，vi 新建一个view_onnx.py文件，并执行 python3 -m pip install  netron 来安装netron工具。view_onnx.py文件内容如下所示：

# python3 -m pip install  netron
import netron
netron.start('./yolov5-4.0/yolov5_modified.onnx')

     启动一下netron来查看模型网络结构，执行如下命令：

root@jackpc:/home/jack/mysoft# python3.6 view_onnx.py 
Serving './yolov5-4.0/yolov5_modified.onnx' at http://localhost:8080
Running Firefox as root in a regular user's session is not supported....

     打开浏览器，输入网址 http://localhost:8080/ 进行访问，这里我们需要从图上找到3个out 节点，并记住其名称 ，这里可能每个模型的名称是不同的，所以需要通过图形来确定。我这里的三个 out 节点截图如下所示：

 上述3个图的out node名称分别为 ： Conv_324  ；Conv_340 和 Conv_356 。下面给出具体的ATC转换代码：

# ATC环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh
# ATC转换，注意--out_nodes 的Conv 名称
atc --model=yolov5_modified.onnx --framework=5 --output=yolov5m_b1 
--soc_version=Ascend310 --insert_op_conf=aipp_rgb.cfg 
--input_format=NCHW --input_shape="images:1,3,640,640" 
--out_nodes="Conv_324:0;Conv_340:0;Conv_356:0" 
--output_type="Conv_324:0:FP32;Conv_340:0:FP32;Conv_356:0:FP32" 
--log=info

  其中 aipp_rgb.cfg 配置文件内容如下所示，可以通过vi 命令创建：

root@jackpc:/home/jack/mysoft/yolov5-4.0# vi aipp_rgb.cfg
###########################
aipp_op { 
aipp_mode : static
related_input_rank : 0
input_format : RGB888_U8
csc_switch : false
rbuv_swap_switch : true
src_image_size_w : 640
src_image_size_h : 640
crop : false
min_chn_0 : 0
min_chn_1 : 0
min_chn_2 : 0
var_reci_chn_0 : 0.0039216
var_reci_chn_1 : 0.0039216
var_reci_chn_2 : 0.0039216
}

 ATC执行成功后，生成 yolov5m_b1.om 文件，操作过程示意界面如下所示：

 将生成的 yolov5m_b1.om 文件拷贝出来，并上传到Atlas 500 上备用。进入上述构建的Docker容器中，然后执行如下命令，解压构建的测试项目：

root@c25e51b32a55:~# mkdir myai
root@c25e51b32a55:~# cd myai
root@c25e51b32a55:~/myai# cp /opt/mount/docker05/pyacl_yolov5.tar .
root@c25e51b32a55:~/myai# ls
pyacl_yolov5.tar
root@c25e51b32a55:~/myai# tar -xvf pyacl_yolov5.tar
root@c25e51b32a55:~/myai# cd pyacl_yolov5
root@c25e51b32a55:~/myai/pyacl_yolov5# ls
acl_demo.py  aclnet  data  model  readme.md  result.jpg  scripts
root@c25e51b32a55:~/myai/pyacl_yolov5#

  其中的 yolov5m_b1.om 文件处于 model目录中，acl_demo.py为推理程序的启动文件，内容如下所示：

import cv2
from time import *
from aclnet.net import Net
from aclnet.common import AscendResource
from aclnet.utils import yolov5PostProcess, letterbox
from aclnet.coco128 import *
import sys
classes = 80
img_width = 640
img_height = 640
device_id = 0
anchors = [[(10, 13), (16, 30), (33, 23)],  # stride_32
           [(30, 61), (62, 45), (59, 119)],  # stride_16
           [(116, 90), (156, 198), (373, 326)]]  # stride_8

if __name__ == "__main__":
    with AscendResource(device_id) as aclres:      
        model = Net(aclres, sys.argv[1])       
        image = cv2.imread(sys.argv[2])
        image = letterbox(image, (img_width, img_height))
        begin_time = time()
        result = model.run([image])
        rects = yolov5PostProcess(result, anchors, img_width, classes)
        for rect in rects:
            name = get_name_bycls(rect[2])
            print("[x1, y1, x2, y2]:", rect[0][0], rect[0][1], rect[1][0], rect[1][1], rect[2] , name, rect[3])
            cv2.rectangle(image, (rect[0][0], rect[0][1]), (rect[1][0], rect[1][1]), (0, 255, 0), 1)
            cv2.putText(image, name, (rect[0][0], rect[0][1] - 20), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (255, 0, 0), 2)
        cv2.imwrite('result.jpg', image)
        end_time = time()
        print('total run time:', end_time - begin_time)

执行如下命令进行推理：

python3 acl_demo.py ./model/yolov5m_b1.om ./data/test1.jpg

输出信息截图如下所示：

测试输入的test1.jpg经过推理后，会写入result.jpg中 ，将其拷贝出来进行查看：

root@c25e51b32a55:~/myai/pyacl_yolov5# cp result.jpg /opt/mount/docker05/
Euler:/opt/mount/docker05 # cp /opt/mount/docker05/result.jpg /tmp/
Euler:/opt/mount/docker05 # chmod 777 /tmp/result.jpg

写入的result.jpg文件显示如下所示：

最后，给出几个可以参考的且非常有用的华为官方链接 ：
https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=118598
https://gitee.com/ascend/samples/tree/master/python/environment
https://www.hiascend.com/zh/software/modelzoo/detail/1/f7338e43cf024ea1851fb46041be1dea

【我的华为云体验之旅】有奖征文火热进行中：https://bbs.huaweicloud.com/activity/CloudStory.html