企业官网建设流程全解析

网站不能访问的原因,苏州推荐网络公司建网站,商业网站建设定位,做外贸首先要做网站文章目录1 概要2 AIPP2.1 什么是AIPP2.2 AIPP都能做什么2.3 如何使用AIPP的功能2.3.1 静态AIPP2.3.2 动态AIPP3 本工程引入AIPP3.1 aipp.cfg配置文件3.2 推理过程函数更改4 总结5 其他章节1 概要 最近博主准备了一个可以检测车辆的网络模型#xff0c;准备部署到华为和香橙派…文章目录1 概要2 AIPP2.1 什么是AIPP2.2 AIPP都能做什么2.3 如何使用AIPP的功能2.3.1 静态AIPP2.3.2 动态AIPP3 本工程引入AIPP3.1 aipp.cfg配置文件3.2 推理过程函数更改4 总结5 其他章节1 概要最近博主准备了一个可以检测车辆的网络模型准备部署到华为和香橙派联合出版的香橙派 Ai Pro上Oriange Pi Ai Pro此推理板使用的是Ascend3130B4的芯片。其中博主学习CANN的相关知识以满足模型优化的需求。具体的学习路径如下项目介绍项目优化AIPP的使用项目再次优化AIPPDVPP的使用硬件环境香橙派AI Pro (Ubuntu) : 用于部署最终的模型宿主机Windows用于编写代码整体流程在宿主机上编写完程序后通过Mobaxterm的SSH将文件上传到香橙派上随后进行模型转换(.ONNX-.om)最后实现运行2 AIPP2.1 什么是AIPP受网络结构和训练方式等因素的影响绝大多数神经网络模型对输入数据都有格式上的限制。在计算机视觉领域这个限制大多体现在图像的尺寸、色域、归一化参数等。如果源图或视频的尺寸、格式等与网络模型的要求不一致时我们需要对其处理使其符合模型的要求这个操作一般称之为数据预处理。2.2 AIPP都能做什么总结一下虽然都是数据预处理但AIPP与DVPP的功能范围不同比如DVPP可以做图像编解码、视频编解码AIPP可以做归一化配置处理数据的计算单元也不同AIPP用的AI Core计算加速单元DVPP就是用的专门的图像处理单元。AIPP、DVPP可以分开独立使用也可以组合使用。组合使用场景下一般先使用DVPP对图片/视频进行解码、抠图、缩放等基本处理但由于DVPP硬件上的约束DVPP处理后的图片格式、分辨率有可能不满足模型的要求因此还需要再使用AIPP进行色域转换、抠图、填充等处理。例如在昇腾310 AI处理器由于DVPP仅支持输出YUV格式的图片如果模型需要RGB格式的图片则需要再使用AIPP进行色域转换。2.3 如何使用AIPP的功能下文以此为例测试图片分辨率为250250、图片格式为YUV420SP模型对图片的要求为分辨率224224、图片格式为RGB因此需要通过AIPP实现抠图、图片格式转换2个功能。关于各种格式转换其色域转换系数都有模板可从《ATC工具使用指南》获取参见“昇腾文档中心”。2.3.1 静态AIPP构造AIPP配置文件*.cfg。抠图有效数据区域从左上角(0, 0)像素开始抠图宽高为224224。图片格式转换输入图片格式为YUV420SP_U8输出图片格式通过色域转换系数控制。aipp_op{aipp_mode:static # AIPP配置模式input_format:YUV420SP_U8 # 输入给AIPP的原始图片格式src_image_size_w:250 # 输入给AIPP的原始图片宽高src_image_size_h:250crop:true # 抠图开关用于改变图片尺寸load_start_pos_h:0 # 抠图起始位置水平、垂直方向坐标load_start_pos_w:0crop_size_w:224 # 抠图宽、高crop_size_h:224csc_switch:true # 色域转换开关matrix_r0c0:256 # 色域转换系数matrix_r0c1:0matrix_r0c2:359matrix_r1c0:256matrix_r1c1:-88matrix_r1c2:-183matrix_r2c0:256matrix_r2c1:454matrix_r2c2:0input_bias_0:0input_bias_1:128input_bias_2:128}使能静态AIPP。使用ATC工具转换模型时可将AIPP配置文件通过insert_op_conf参数传入将其配置参数保存在模型文件中。atc --framework3 --soc_version${soc_version}--model $HOME/module/resnet50_tensorflow.pb --insert_op_conf$HOME/module/insert_op.cfg --output$HOME/module/out/tf_resnet50参数解释如下- framework原始网络模型框架类型3表示TensorFlow框架。 - soc_version指定模型转换时昇腾AI处理器的版本例如Ascend310。 - model原始网络模型文件路径含文件名。 - insert_op_confAIPP预处理配置文件路径含文件名。 - output转换后的*.om模型文件路径含文件名转换成功后文件名自动以.om后缀结尾。调用AscendCL接口加载模型执行推理。2.3.2 动态AIPP构造AIPP配置文件*.cfg。aipp_op{aipp_mode:dynamicmax_src_image_size:752640 # 输入图像最大内存大小需根据实际情况调整}使能动态AIPP。atc --framework3 --soc_version${soc_version}--model $HOME/module/resnet50_tensorflow.pb --insert_op_conf$HOME/module/insert_op.cfg --output$HOME/module/out/tf_resnet50参数解释如下- framework原始网络模型框架类型3表示TensorFlow框架。 - soc_version指定模型转换时昇腾AI处理器的版本例如Ascend310。 - model原始网络模型文件路径含文件名。 - insert_op_confAIPP预处理配置文件路径含文件名。 - output转换后的*.om模型文件路径含文件名转换成功后文件名自动以.om后缀结尾。调用AscendCL接口加载模型设置AIPP参数后再执行推理。模型加载、执行可从参考往期的技术文章请参见“基于昇腾计算语言AscendCL开发AI推理应用”。调用AscendCL接口设置AIPP参数的代码示例如下aclmdlAIPP *aippDynamicSet aclmdlCreateAIPP(batchNumber);aclmdlSetAIPPSrcImageSize(aippDynamicSet,250,250);aclmdlSetAIPPInputFormat(aippDynamicSet,ACL_YUV420SP_U8);aclmdlSetAIPPCscParams(aippDynamicSet,1,256,0,359,256,-88,-183,256,454,0,0,0,0,0,128,128);aclmdlSetAIPPCropParams(aippDynamicSet,1,2,2,224,224,0);aclmdlSetInputAIPP(modelId,input,index,aippDynamicSet);aclmdlDestroyAIPP(aippDynamicSet);3 本工程引入AIPP本工程引入静态的AIPP3.1 aipp.cfg配置文件aipp_op{aipp_mode:staticinput_format:RGB888_U8 # 这里保持 RGB888_U8表示输入是打包的3通道图像src_image_size_w:640 # 模型输入的宽src_image_size_h:640 # 模型输入的高 # 【关键点】开启 R 和 B 通道交换 # 你的输入是 BGR(OpenCV默认)开启这个后AIPP 会把它转成 RGB 喂给模型rbuv_swap_switch:true # 归一化配置(根据你的模型需求)# 假设模型需要 input / 255.0mean_chn_0:0mean_chn_1:0mean_chn_2:0min_chn_0:0.0min_chn_1:0.0min_chn_2:0.0var_reci_chn_0:0.003921568627451var_reci_chn_1:0.003921568627451var_reci_chn_2:0.003921568627451}3.2 推理过程函数更改原来的推理前处理部分defpreprocess(self,img_data None): 对输入图像进行预处理以便进行推理。 返回image_data:经过预处理的图像数据准备进行推理。 if img_data isNone:print(error img datas, please check again)#获取输入图像数据 self.img img_data # 获取输入图像的高度和宽度 self.img_height,self.img_width img_data.shape[1],img_data.shape[0] # 将图像颜色空间从 BGR 转换为 RGB img cv2.cvtColor(self.img,cv2.COLOR_BGR2RGB)# 保持宽高比进行 letterbox 填充,使用模型要求的输入尺寸 img,self.ratio,(self.dw,self.dh) self.letterbox(img,new_shape(self.input_width,self.input_height))# 通过除以 255.0 来归一化图像数据 image_data np.array(img)/ 255.0 # 将图像的通道维度移到第一维 image_data np.transpose(image_data,(2,0,1))# 通道优先 # 扩展图像数据的维度以匹配模型输入的形状 image_data np.expand_dims(image_data,axis0).astype(np.float32)# 返回预处理后的图像数据 return image_data现在的推理前处理部分defpreprocess(self,img_data):# 1. 检查数据 if img_data isNone:print(error img datas)return None # 2. Resize(Letterbox)# img 是 3D数组:(640,640,3)img,self.ratio,(self.dw,self.dh) self.letterbox(img_data,new_shape(self.input_width,self.input_height))# 【关键修复1】self.img 用于后续画图必须保持 3D(H,W,C)self.img img # 3. 准备推理数据(增加 Batch 维度)# image_data 是 4D数组:(1,640,640,3)image_data np.expand_dims(img,axis0)# 【关键修复2】强制内存连续并深拷贝 # 很多时候 invalid input size 是因为 numpy 数组仅仅是一个 view视图 # 导致传给 C 层的指针指向了错误的内存地址或长度。 if not image_data.flags[C_CONTIGUOUS]:image_data np.ascontiguousarray(image_data)# 强制做一次 copy确保它是独立的内存块(解决 5769 size error 的绝招)image_data image_data # 【调试打印】如果还报错请看终端打印的这个大小是否为 1228800 #print(fDEBUG: Input shape: {image_data.shape}, Bytes: {image_data.nbytes})return image_data注意AIPP的调用时刻outputs model.execute([img_data, ])调用这个二函数后会将图像传给AI Core处理之后再传回给模型进行推理。4 总结本章节讲述了如何在模型推理的过程中使用AIPP。5 其他章节