【亲测免费】 YOLOv5 Ascend 平台模型推理程序使用教程

1. 项目介绍

本项目是基于华为 Ascend 平台的 YOLOv5 om 模型推理程序。所有程序已在华为 Atlas 300I 推理卡（Ascend 310 AI CPU, CANN 5.0.2, npu-smi 21.0.2）上通过测试。该项目允许用户在华为 Ascend 平台上运行 YOLOv5 模型的推理程序。

2. 项目快速启动

2.1 环境准备

在开始之前，请确保您已经安装了以下环境：

• 华为 Ascend 平台环境
• ATC 工具
• CANN (pyACL)
• Python
• 必要的 Python 包：opencv-python, Pillow, torch, torchvision

2.2 导出 om 模型

1. 训练 YOLOv5 模型： 使用 ultralytics/yolov5 训练您的 YOLOv5 模型，然后将 PyTorch 模型导出为 ONNX 格式。

   python export.py --weights yolov5s.pt --opset 12 --simplify --include onnx
   

2. 在华为 Ascend 平台上转换 ONNX 模型为 om 模型：

   atc --input_shape="images:1,3,640,640" --input_format=NCHW --output="yolov5s" --soc_version=Ascend310 --framework=5 --model="yolov5s.onnx" --output_type=FP32
   

2.3 运行推理程序

1. 克隆仓库并将 om 模型移动到指定目录：

   git clone [e-mail]:jackhanyuan/yolov5-ascend.git
   mv yolov5s.om yolov5-ascend/ascend/
   

2. 编辑标签文件： 编辑 yolov5-ascend/ascend/yolov5.label 文件。

3. 运行推理程序：

   python detect_yolov5_ascend.py
   

   推理结果将保存到 img_out 文件夹中。

3. 应用案例和最佳实践

3.1 应用案例

• 智能监控：在华为 Ascend 平台上部署 YOLOv5 模型，用于实时监控和目标检测。
• 自动驾驶：利用 YOLOv5 模型进行车辆和行人检测，提升自动驾驶系统的安全性。

3.2 最佳实践

• 模型优化：使用 ATC 工具对模型进行优化，以提高推理速度和效率。
• 多任务处理：结合其他 AI 模型，实现多任务处理，如同时进行目标检测和图像分类。

4. 典型生态项目

• CANN：华为 Ascend 平台的 AI 计算框架，支持多种 AI 模型的部署和优化。
• Atlas 300I：华为的高性能推理卡，适用于各种 AI 应用场景。
• YOLOv5：由 Ultralytics 开发的实时目标检测模型，广泛应用于各种计算机视觉任务。

通过本教程，您可以在华为 Ascend 平台上快速部署和运行 YOLOv5 模型，实现高效的目标检测。