基于Caffe ResNet-50网络实现图片分类（仅推理）的实验复现

摘要：本实验主要是以基于Caffe ResNet-50网络实现图片分类（仅推理）为例，学习如何在已经具备预训练模型的情况下，将该模型部署到昇腾AI处理器上进行推理。

本文分享自华为云社区《【CANN训练营】【2022第二季】【新手班】基于Caffe ResNet-50网络实现图片分类（仅推理）的实验复现》，作者： StarTrek 。

本实验主要是以基于Caffe ResNet-50网络实现图片分类（仅推理）为例，学习如何在已经具备预训练模型的情况下，将该模型部署到昇腾AI处理器上进行推理。该实验的主要任务有：

1、将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型（ * .om文件）；
2、加载该om文件，对2张 * .jpg图片进行同步推理，分别得到推理结果后，再对推理结果进行处理，输出top5置信度的类别标识；
3、将测试的图片替换为自己的图片并重新编译运行。

一、云服务器的使用

首先为了更好的让我们能够了解并学习昇腾的相关知识，华为CANN训练营为每一位学员都给予了一定的云服务器资源，关于云服务器的使用简单总结如下：

本次提供的共享镜像是：Ubuntu 18.04（系统） + 5.1.RC2.alpha005（CANN环境版本）

登陆华为云->进入控制台->申请ESC弹性云服务器->获取弹性公网IP->运用SSH远程访问云服务器->正常按照ubuntu系统的终端命令来操作使用服务器

资源链接：

远程终端软件推荐MobaXterm：https://mobaxterm.mobatek.net/
软件使用方法：https://blog.csdn.net/xuanying_china/article/details/120080644

进入终端后为root用户，需要进入HwHiAiUser用户

指令：

    cd /home/
    su - HwHiAiUser

可以使用ls或者ll指令随意浏览系统中已有的文件情况。

二、基于Caffe ResNet-50网络实现图片分类（仅推理）实验

准备工作完成之后，下面就可以开始正式的实验之旅啦！可以按照仓库里的readme文件所述步骤一步步操作，此处也仅仅只是简单的给出实验的步骤和实验图。

仓库资源链接：
https://gitee.com/ascend/samples/tree/master/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification

1、下载样例代码

克隆sample仓里的代码

    git clone https://gitee.com/ascend/samples.git

进入到resnet50_imagenet_classification样例的文件夹中

    cd samples/
    cd cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification

2、获取ResNet-50预训练模型

先创建一个用来存储该模型的文件夹，并打开该文件夹

mkdir caffe_model
    cd caffe_model

从网页直接通过命令下载预训练模型：权重文件（resnet50.caffemodel）和模型文件（resnet50.prototxt）

    wegt https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.prototxt
    wegt https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/resnet50/resnet50.caffemodel

3、模型转换

上述下载的预训练模型需要首先运用ATC模型转换工具将该模型转换成昇腾AI处理器支持的离线模型（.om）
官方文档ATC工具学习资源：
https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/51RC2alpha005/infacldevg/atctool

流程：

首先先切换到样例目录下（接着上面的操作就是上一级目录）

    cd ../

然后运行模型转换工具

    atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0

打开model文件夹可以看到resnet50.om已经转换完成了

4、下载测试图片

进入data文件夹，并下载两张ImageNet数据集中存在类别的图片

    cd ../data/
    wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
    wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg

测试的两张图

5、图片格式转换

下载的图片是JPEG格式的，需要转换成适合模型输入要求格式的二进制文件（.bin）
在data目录下，执行transferPic.py脚本，将*.jpg转换为*.bin，同时将图片从1024 * 683的分辨率缩放为224 * 224。

    python3 ../script/transferPic.py

6、编译运行

进入“cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”样例目录

    cd ../

设置临时的环境变量，配置程序编译依赖的头文件与库文件路径

    export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest
    export NPU_HOST_LIB=$DDK_PATH/acllib/lib64/stub

建立build文件夹，准备编译代码文件

    mkdir -p build/intermediates/host

进入build文件夹，编译.cpp文件

    cd build/intermediates/host
    cmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE
    make

可以在样例目录（cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification）下的out文件夹中找到编译好的可执行main文件，接下来我们直接运行main文件

    cd ../../../out/
    ./main

三、替换图片数据进行测试

这里在网上随便找了两张图（一张金鱼label-1，一张金毛犬label-207），可以随意找几张图，只要是JPG格式的图片即可，图片中的事物类型最好是ImageNet数据集标签中的类型。

1、添加图片并转换格式

可以直接下载到本地电脑中，然后直接将文件拖到MobaXterm软件的云服务器文件列表中，为了方便直接先在列表中找到前面的data文件夹，然后直接拖拽到该文件夹下即可。

按照前面的操作（5、图片格式转换）重新进行图片文件格式的转换，在data目录下运行

    python3 ../script/transferPic.py

2、修改sample_process.cpp源码，添加新增的两张图片的路径

在testFile列表中增加前面新添加的并转换好的那两张bin格式的文件路径，路径仿照前两个写即可，不过别忘记不同文件路径间的逗号分隔哦

3、重新编译源码

按照前面的步骤进行即可（6、编译运行），需要注意的是，如果重启过服务器，之前设置的编译临时环境会丢失，需要再次设置临时的环境变量（配置程序编译依赖的头文件与库文件路径），然后可以在build/intermediates/host文件下直接运行make编译即可，编译器会自动编译修改过的源文件并覆盖。

4、推理

按照前面的步骤重新运行编译好的main文件即可（6、编译运行中的最后一步），注意文件的路径，需要在out文件夹下运行，因为main文件是被保存在这里的。

最后我们可以看到

标签为1是金鱼，第一张图是金鱼的概率为99.7070%
标签为207是金毛犬，第二张图是金毛犬的概率为99.5605%

点击关注，第一时间了解华为云新鲜技术~

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：基于Caffe ResNet-50网络实现图片分类（仅推理）的实验复现 - Python技术站