首先查看任务计划书：https://bbs.huaweicloud.com/blogs/439491，主要目的是将YOLOv5项目适配至华为的 Ascend（昇腾）和 Kunpeng（鲲鹏）处理器，确保其在这些硬件平台上的高效运行，即验证qwen2能不能在 Ascend（昇腾）、Kunpeng（鲲鹏）处理器和Euler操作系统中运行。

验证过程

明确目的后开始熟悉项目，YOLOv5 v6.0的gitee网址：https://gitee.com/ascend/modelzoo-GPL/tree/master/built-in/PyTorch/Official/cv/object_detection/Yolov5_for_PyTorch_v6.0。

安装依赖包

首先我使用Ascend CANN Toolkit版本为7.0.1.5：

我们要安装对应的pytorch和torch_npu插件，这里我们要注意到操作系统是aarch64架构，找到合适的版本进行下载安装。

以下是安装pytorch的示例命令：

wget https://download.pytorch.org/whl/torch-1.11.0-cp38-cp38-manylinux2014_aarch64.whl

pip3 install torch-1.11.0-cp38-cp38-manylinux2014_aarch64.whl

然后按照项目的要求安装对应的requirement.txt。

但按照requirement.txt安装相关文档会导致代码运行时报错，numpy版本建议安装1.23系列的版本，安装最新版本会导致兼容性问题。

    资源清单

    测试结果

Npu推理

项目地址的推理脚本用起来容易出问题，然后我自己写了一个推理脚本，详见demo仓库：

使用如下命令进行推理

python detect_npu.py --weights yolov5.pt --source ./zidane.jpg --device npu --save-img --save-dir ./ --custom-name "detection_result"

这是要推理的图片以及推理的结果图片

心得体会

• 设备选择统一化
  在代码中，将设备选择从 cuda 替换为 npu，并通过 torch.device 实现设备动态适配。统一使用 to(device) 的方式将模型和数据迁移到设备，确保代码可以无缝兼容 CPU 和 NPU，方便调试和部署。

• 推荐依赖版本
  为了确保代码的兼容性和算子支持，建议安装 numpy 的 1.23 系列版本。此版本对 PyTorch 和 torch_npu 的兼容性较好，可以避免在算子操作中出现不必要的兼容性问题。

• 安装 APEX 模块支持混合精度训练
  混合精度训练是在训练时结合使用单精度（float32）与半精度（float16）数据类型，并保持相同的超参数以实现接近 float32 的精度。推荐安装 NVIDIA 的 APEX 模块进行混合精度训练，能显著加速训练过程，同时降低显存占用。