在小藤上实现火灾识别
【摘要】 在小藤上实现火灾识别
登录开发板：
cd ~/ascend_community_projects/fire_detection
cd models
wget https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/ascend_community_projects/Fire_identification/models.zip --no-check-certificate
解压 unzip models.zip
cd models
mv * ../
rmdir models
直接使用已有om模型试试：
cd ~/ascend_community_projects/fire_detection/data
wget https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/ascend_community_projects/Fire_identification/data.zip --no-check-certificate
unzip data.zip
将解压后的data目录下的test和other目录挪到 ~/ascend_community_projects/fire_detection/data目录下：
执行推理：
cd ~/ascend_community_projects/fire_detection
python main.py
没有test图片？
确实没有 data/test.jpg图片：
去网上下载一些火灾的图片：fire001.jpg
fire002.jpg
将2张图片传到data目录下：
修改main.py的test.jpg为 fire001.jpg
不过看了下代码，改了这个好像没用。main.py代码并没有解析 data/fire001.jpg文件，而是在解析data/test目录下的所有文件。
报的错应该在这里：
-----------------从流获取推理结果-----------------
E20230826 13:01:58.450994 398539 ModelInferenceProcessorDptr.hpp:279] [507011][Error code unknown] Failed to model infer execute, details seen in CANN document.
E20230826 13:01:58.451529 398539 ModelInferenceProcessor.cpp:114] [507011][Error code unknown] Failed to execute model infer.
E20230826 13:01:58.451597 398539 MxpiTensorInfer.cpp:850] [mxpi_tensorinfer0][507011][Error code unknown] Model inference is failed.
E20230826 13:01:58.451638 398539 MxpiTensorInfer.cpp:808] [mxpi_tensorinfer0][507011][Error code unknown] Model inference is failed.
E20230826 13:01:58.451675 398539 MxpiTensorInfer.cpp:206] [mxpi_tensorinfer0][507011][Error code unknown] Model inference is failed.
-----------------推理结果null-----------------
-----------------infer_result is null-----------------
507011错。可能是om模型有问题（也许不是小藤的模型）
那我们自己转一下模型吧：
mv densenet.om densenet.om.old
atc --model=densenet.onnx --framework=5 --output=densenet --insert_op_conf=fire.cfg --soc_version=Ascend310B1
重新执行推理：
修改下
cd ~/ascend_community_projects/fire_detection
python main.py
看来使用自制的om模型没问题。
下面我们来考虑下如何识别单张图片。
将main.py复制成main1.py，考虑将循环的目录判断去掉，直接操作需要操作的文件即可。
修改代码如下：
STREAM_NAME = b'classication' # 流的名称
IN_PLUGIN_ID = 0
TEST_PATH = "./data"
# 统计时间、图片张数
TOTAL_TIME = 0
PIC_NUM = 0
RIGHT_NUM = 0
dataInput = MxDataInput()
file__ = os.path.join(TEST_PATH, "fire001.jpg")
tmp_ = cv2.imread(file__)
print(file__)
file__ = file__.replace('.png', '.jpg')
cv2.imwrite(file__, tmp_)
with open(file__, 'rb') as f:
print("-----------------开始读取图片-----------------")
dataInput.data = f.read()
print("-----------------读取图片成功-----------------")
#os.remove(file__)
# 发送数据
start_time = time.perf_counter() # 推理开始时间戳
# 目标输入插件Id，即appsrc元件的编号
uniqueId = streamManagerApi.SendData(STREAM_NAME, IN_PLUGIN_ID, dataInput) # SendData接口将图片数据发送给appsrc元件
if uniqueId < 0:
print("-----------------数据未能发送至流-----------------")
print("-----------------Failed to send data to stream.-----------------")
exit()
else:
print("-----------------数据成功发送至流-----------------")
# 获取数据
keys = [b"mxpi_tensorinfer0"] # 设置GetProtobuf的MxProtobufIn列表
keyVec = StringVector()
for key in keys:
keyVec.push_back(key)
print("-----------------从流获取推理结果-----------------")
infer_result = streamManagerApi.GetProtobuf(STREAM_NAME, 0, keyVec) # 从流中取出对应插件的输出数据
if infer_result.size() == 0:
print("-----------------推理结果null-----------------")
print("-----------------infer_result is null-----------------")
exit()
if infer_result[0].errorCode != 0:
print("-----------------推理结果error-----------------")
print("-----------------GetProtobuf error. errorCode=%d-----------------" % (
infer_result[0].errorCode))
exit()
tensorList = MxpiDataType.MxpiTensorPackageList()
tensorList.ParseFromString(infer_result[0].messageBuf)
prediction = np.frombuffer(tensorList.tensorPackageVec[0].tensorVec[0].dataStr, dtype = np.float32)
prediction_shape = tensorList.tensorPackageVec[0].tensorVec[0].tensorShape
prediction = np.reshape(prediction, prediction_shape)
if prediction[0][0] < 0.5:
print("predict：no fire")
else:
print("predict：fire")
end_time = time.perf_counter() # 推理结束时间戳
sigTime = (end_time - start_time) * 1000 # 单张图片好费时间
if(sigTime >= 40):
print("singal pic time out")
TOTAL_TIME = TOTAL_TIME + sigTime # 总耗费时间
PIC_NUM = PIC_NUM + 1 # 图片数量计数
print("耗时时间：", str(sigTime), "ms")
运行：
python main1.py
将main1.py改为fire002.jpg再试一次：
运行：
python main1.py
当然了，第二个推理貌似是有问题的。但是这种窗口上看出着火这事儿，大概又是模型不大好的锅了。
我们再试一张fire003.jpg
python main1.py
嗯。只能说2/3的图片是可以看出来的。。。
（全文完，谢谢阅读）
【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）