样例使用指导

功能描述

该样例主要是基于Onnx ResNet-50网络（单输入、单Batch）实现多batch场景下图片分类的功能。

在该样例中：

1. 先使用样例提供的脚本transfer_pic.py，将2张*.jpg图片都转换为*.bin格式，同时将图片从1024*683的分辨率缩放为224*224。
2. 解析resnet50模型，然后直接对2张图片（batch值为2）进行推理，得到推理结果，再对推理结果进行处理，输出top5置信度的类别标识。

目录结构

├── data
│   ├── dog1_1024_683.jpg               // 测试数据,需要按指导获取测试图片,放到data目录下
│   ├── dog2_1024_683.jpg               // 测试数据,需要按指导获取测试图片,放到data目录下

├── model
│   ├── resnet50_Opset16.onnx           // Onnx ResNet-50网络的模型文件

├── scripts
│   ├── build.sh                        // sample编译脚本
│   ├── run.sh                          // sample运行脚本
│   ├── transfer_pic.py                 // 将*.jpg转换为*.bin，同时将图片从1024*683的分辨率缩放为224*224

├── src
│   ├── CMakeLists.txt                  // 编译配置脚本
│   ├── sample_dynamic_batch.cpp        // 主函数，图片分类功能的实现文件

├── CMakeLists.txt                      // 编译脚本，调用src目录下的CMakeLists文件

环境要求

• 通过安装指导 环境准备 正确安装toolkit和ops包

• 设置环境变量（假设包安装在/usr/local/Ascend/）

  source /usr/local/Ascend/cann/set_env.sh
  

实现步骤

1. 以运行用户登录开发环境。

2. 下载代码并上传至环境后，请先进入根目录下"examples/gesession/sample_dynamic_batch"样例目录。

   请注意，下文中的样例目录均指"examples/gesession/sample_dynamic_batch"目录。

3. 准备ResNet-50模型。

   1. 获取ResNet-50原始模型。

      您可以从以下链接中获取ResNet-50网络的模型文件，并以运行用户将获取的文件上传至开发环境的"样例目录/model"目录下。如果目录不存在，需要自行创建。

      • ResNet-50网络的模型文件（*.onnx）：单击Link下载该文件。

4. 准备测试图片。

   1. 请从以下链接获取该样例的输入图片，并以运行用户将获取的文件上传至开发环境的"样例目录/data"目录下。如果目录不存在，需自行创建。

      https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg

      https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg

   2. 切换到“样例目录/data“目录下，执行transfer_pic.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。在“样例目录/data“目录下生成2个*.bin文件。

      python3 ../scripts/transfer_pic.py
      

      如果执行脚本报错“ModuleNotFoundError: No module named 'PIL'”，则表示缺少Pillow库，请使用pip3 install Pillow --user命令安装Pillow库。

构建验证

1. 以运行用户登录开发环境。

2. 请先进入根目录下"examples/gesession/sample_dynamic_batch"样例目录。

   请注意，下文中的样例目录均指"examples/gesession/sample_dynamic_batch"目录。

3. 切换到"样例目录/scripts",编译程序。

   bash build.sh
   

4. 运行程序

   bash run.sh
   

5. 执行结果

   执行成功后，在屏幕上的关键提示信息示例如下，提示信息中的index表示类别标识、value表示该分类的最大置信度，这些值可能会根据版本、环境有所不同，请以实际情况为准：

   [INFO] SAMPLE start to execute.
   [INFO] Initialize ge success
   [INFO] Set device 0 success
   [INFO] Parse model ../model/resnet50_Opset16.onnx success
   [INFO] Graph add success
   [INFO] Graph compile success
   [INFO] Start to process file:../data/dog1_1024_683.bin
   [INFO] Start to process file:../data/dog2_1024_683.bin
   [INFO] Graph run success
   [INFO] Result of picture 1:
   [INFO] top 1: index[162] value[xxxxxx]
   [INFO] top 2: index[161] value[xxxxxx]
   [INFO] top 3: index[166] value[xxxxxx]
   [INFO] top 4: index[167] value[xxxxxx]
   [INFO] top 5: index[163] value[xxxxxx]
   [INFO] Result of picture 2:
   [INFO] top 1: index[267] value[xxxxxx]
   [INFO] top 2: index[266] value[xxxxxx]
   [INFO] top 3: index[265] value[xxxxxx]
   [INFO] top 4: index[153] value[xxxxxx]
   [INFO] top 5: index[99] value[xxxxxx]
   [INFO] Output data success
   [INFO] SAMPLE PASSED
   

   说明： 类别标签和类别的对应关系与训练模型时使用的数据集有关，本样例使用的模型是基于imagenet数据集进行训练的，您可以在互联网上查阅imagenet数据集的标签及类别的对应关系。 当前屏显信息中的类别标识与类别的对应关系如下： "161": ["basset", "basset hound"]、 "267": ["standard poodle"]。