整期笔记索引

香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试（一）

香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试（二）

香橙派OrangePi AIpro上手笔记——之USB摄像头目标检测方案测试（三）

本章前言

在测试笔记（一）中，我们已经掌握并搭建了板卡的初步调试环境。

在测试笔记（二）中，我们开始逐步上手官方的Demo，进行跑测，首先测试的是Camera图像获取(USB接口)样例。

今天，我们将要跑测：目标检测(USB接口)样例。

官方Demo跑测——02 目标检测（YoloV5s）

【目标检测(USB接口)样例 链接】

Ascend/EdgeAndRobotics - Gitee.comhttps://gitee.com/ascend/EdgeAndRobotics/tree/master/Samples/YOLOV5USBCamera

1、设置环境变量

PS：以HwHiAiUser用户登录开发板。

运行记录：（此处我使用的是命令行方式）

(base) HwHiAiUser@orangepiaipro:~$ export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest

(base) HwHiAiUser@orangepiaipro:~$ export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

2、安装ACLLite库

此处可以参考ACLLite仓安装ACLLite库。

ACLLite链接：

Ascend/ACLLitehttps://gitee.com/ascend/ACLLite

• 安装依赖

1. 安装CANN：
   参考社区文档安装CANN
    
2. 安装ffmpeg

        （1）通过如下命令查询OS版本

lsb_release -a

此处显示我的操作系统为Ubuntu 22.04

        （2）根据版本选择安装方式

根据查询结果选择安装方式此处我选择的是Ubuntu 22.04及以上版本的安装方式：apt安装

apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev

• 安装步骤

# 拉取ACLLite仓库，并进入目录
git clone https://gitee.com/ascend/ACLLite.gitcd ACLLite

# 设置环境变量，其中DDK_PATH中/usr/local请替换为实际CANN包的安装路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

# 安装，编译过程中会将库文件安装到/lib目录下，所以会有sudo命令，需要输入密码
bash build_so.sh

3、样例下载

可以使用以下两种方式下载，请选择其中一种进行源码准备。

• 命令行方式下载（下载时间较长，但步骤简单）。
• 压缩包方式下载（下载时间较短，但步骤稍微复杂）。

运行记录：

# 登录开发板，HwHiAiUser用户命令行中执行以下命令下载源码仓 
cd ${HOME}

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

# 切换到样例目录

cd EdgeAndRobotics/Samples/YOLOV5USBCamera

4、准备测试视频

请从以下链接获取该样例的测试视频，放在data目录下。

cd datawget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/test.mp4 --no-check-certificate

5、获取PyTorch框架的Yolov5模型（*.onnx）

获取模型，并转换为昇腾AI处理器能识别的模型（*.om）

• 先设置两个环境变量减少atc模型转换过程中使用的进程数，减小内存占用。

export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1

• 然后直接给出原始模型下载及模型转换命令。

cd ../model

wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/yolov5s.onnx --no-check-certificate

wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/aipp.cfg --no-check-certificate

然后进行模型转换（这一步时间稍长，请耐心等待...）

atc --model=yolov5s.onnx --framework=5 --output=yolov5s --input_shape="images:1,3,640,640" --soc_version=Ascend310B4 --insert_op_conf=aipp.cfg

PS：这一步骤时间较长，同时可以看到下图在运行该步骤时，CPU运行占比较高。

完成后，信息显示如下：

6、编译样例源码

执行以下命令编译样例源码

cd ../scripts

bash sample_build.sh

7、运行样例

• 在HDMI连接屏幕场景，执行以下脚本运行样例。此时会以画面的形式呈现推理效果。

bash sample_run.sh imshow

HDMI的屏幕上显示如图：

• 在直连电脑场景，执行以下脚本运行样例。此时会以结果打屏的形式呈现推理效果。

bash sample_run.sh stdout

8、对比查看运行时的cpu和系统状态

(base) HwHiAiUser@orangepiaipro:~$ cd samples/notebooks/

(base) HwHiAiUser@orangepiaipro:~/samples/notebooks$ ./start_notebook.sh

结语

        至此，我们的Demo 系列就完成了。

        demo 1，我们调通了香橙派调用USB摄像头的环境。

        demo 2，我们针对目标检测YoloV5s进行了跑测。

        demo 3，我们深入体验板载的AI应用，针对视频、图片和摄像头的目标检测方案，进行了分步跑测。

        从系统状态的角度来看，当前目标检测的小demo，并未用尽板子的性能，甚至连一半还没有用到。足可见得，当前开发板的性能对于yolo的一些简单项目来说，是足够使用的。

        对于一些AI入门级选手，可以考虑入手，边学习边深入应用。