样例使用指导
【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge
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：
- 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。
- 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
以运行用户登录开发环境。
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。
准备ResNet-50模型。
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。
准备测试图片。
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
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
以运行用户登录开发环境。
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。
切换到"样例目录/scripts",编译程序。
bash build.sh运行程序
bash run.sh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"]。
【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
