現(xiàn)如今，人工智能迅猛發(fā)展，AI賦能產(chǎn)業(yè)發(fā)展的速度正在加快，“AI+”的需求蜂擁而來，但AI應用快速落地的過程中仍存在很大的挑戰(zhàn)：向下需要適配的硬件，向上需要完善的技術支持，兩者缺一不可。

基于此，昇騰推出了系列化行業(yè)SDK和參考設計，通過把千行百業(yè)細分場景的開發(fā)經(jīng)驗和行業(yè)知識沉淀下來、水平復制，從而大幅度降低門檻、簡化開發(fā)、提升效率。而英碼科技是昇騰重要的APN合作伙伴、金牌分銷商，具有較強的自主設計硬件能力，雙方緊密攜手，打造軟硬結合、更符合行業(yè)需求的算力底座，賦能產(chǎn)業(yè)快速、低成本數(shù)字化轉型。 今天來介紹英碼科技EA500I邊緣計算盒子使用AscendCL快速實現(xiàn)垃圾分類和視頻物體分類應用的案例，幫助開發(fā)者降低學習成本、簡化開發(fā)流程，縮短項目周期！ 案例概述 ①垃圾分類應用：基于AscendCL，使用EA500I實現(xiàn)對圖片中的垃圾類別進行檢測，并輸出有檢測類別的圖片；

②視頻物體分類應用：基于GoogLeNet分類網(wǎng)絡，使用EA500I實現(xiàn)對視頻幀中的物體進行識別分類，并將分類的結果展示在PC網(wǎng)頁上。

案例說明 本案例底層原理邏輯請參考華為昇騰AscendCL <垃圾分類>，和<視頻物體分類>案例。

前置條件

基于EA500I實現(xiàn)垃圾分類應用

1 環(huán)境安裝

注意事項：

?以下操作以普通用戶HwHiAiUser安裝CANN包為例說明，推薦使用root用戶進行操作，如果是root用戶，請將安裝準備中所有的${HOME}修改為/usr/local。

?推薦按照本文檔路徑進行操作，如安裝在自定義路徑可能會導致環(huán)境沖突等問題

1、配置相關環(huán)境

# 以安裝用戶在任意目錄下執(zhí)行以下命令，打開.bashrc文件。vi ~/.bashrc  # 在文件最后一行后面添加如下內容。source ${HOME}/Ascend/ascend-toolkit/set_env.shsource /home/work/MindX_SDK/mxVision-5.0.RC3/set_env.sh
export CPU_ARCH=`arch`export THIRDPART_PATH=${HOME}/Ascend/thirdpart/${CPU_ARCH}  #代碼編譯時鏈接samples所依賴的相關庫文件export PYTHONPATH=${THIRDPART_PATH}/acllite:$PYTHONPATH #設置pythonpath為固定目錄export LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH  #運行時鏈接庫文件export INSTALL_DIR=${HOME}/Ascend/ascend-toolkit/latest #CANN軟件安裝后的文件存儲路徑，根據(jù)安裝目錄自行修改export DDK_PATH=${HOME}/Ascend/ascend-toolkit/latest #聲明CANN環(huán)境export NPU_HOST_LIB=${DDK_PATH}/runtime/lib64/stub #聲明CANN環(huán)境# 執(zhí)行命令保存文件并退出。:wq!  # 執(zhí)行命令使其立即生效。source ~/.bashrc# 創(chuàng)建samples相關依賴文件夾mkdir -p ${THIRDPART_PATH}# 下載源碼并安裝gitcd ${HOME}sudo apt-get install gitgit clone https://gitee.com/ascend/samples.git# 拷貝公共文件到samples相關依賴路徑中cp -r ${HOME}/samples/common ${THIRDPART_PATH} # 拷貝media_mini等so文件以及相關頭文件mkdir -p ${INSTALL_DIR}/drivercp /usr/lib64/libmedia_mini.so ${INSTALL_DIR}/driver/ #如路徑中沒有相關so文件，可跳過該命令cp /usr/lib64/libslog.so ${INSTALL_DIR}/driver/cp /usr/lib64/libc_sec.so ${INSTALL_DIR}/driver/cp /usr/lib64/libmmpa.so ${INSTALL_DIR}/driver/cp /usr/local/Ascend/include/peripheral_api.h ${INSTALL_DIR}/driver/ #如路徑中沒有相關頭文件，可跳過該命令

2、安裝python-acllite

# 安裝ffmpeg部分依賴sudo apt-get install -y libavformat-dev libavcodec-dev libavdevice-dev libavutil-dev libswscale-dev # 安裝其它依賴pip3 install --upgrade pippip3 install Cythonsudo apt-get install pkg-config libxcb-shm0-dev libxcb-xfixes0-dev# 安裝avpip3 install av# 安裝pillow 的依賴sudo apt-get install libtiff5-dev libjpeg8-dev zlib1g-dev libfreetype6-dev liblcms2-dev libwebp-dev tcl8.6-dev tk8.6-dev python-tk# 安裝numpy和PILpip3 install numpypip3 install Pillow# 將acllite目錄拷貝到第三方文件夾中。后續(xù)編譯依賴libmedia_mini.so，編譯完成后需替換此處的acllite文件夾cp -r ${HOME}/samples/python/common/acllite ${THIRDPART_PATH}# C碼庫編譯，本庫包含Atlas200dk的板載攝像頭訪問接口，該接口是在C碼（lib/src/目錄）基礎上做的python封裝。cd ${HOME}/samples/python/common/acllite/lib/srcmake # 編譯生成的libatalsutil.so在../atlas200dk/目錄下。# 再次將acllite目錄拷貝到第三方文件夾中，保證當前使用的是更新后的代碼。cp -r ${HOME}/samples/python/common/acllite ${THIRDPART_PATH}

2 模型獲取&轉換

# 進入案例路徑，samples為前置步驟中下載的案例包cd ${HOME}/samples/python/contrib/garbage_picture# 在model路徑下下載原始模型wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com:443/003_Atc_Models/AE/ATC%20Model/garbage/mobilenetv2.air --no-check-certificatewget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/insert_op_yuv.cfg --no-check-certificate# 使用ATC工具進行模型轉換atc --model=./mobilenetv2.air --framework=1 --output=garbage_yuv --soc_version=Ascend310B1 --insert_op_conf=./insert_op_yuv.cfg --input_shape="data:1,3,224,224" --input_format=NCHW

3 測試數(shù)據(jù)獲取

# 創(chuàng)建并進入data文件夾cd ${HOME}/samples/python/contrib/garbage_picturemkdir datacd data# 下載圖片數(shù)據(jù)wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/newspaper.jpgwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/bottle.jpg    wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/garbage_picture/dirtycloth.jpg# 進入案例運行路徑 cd ../src

4 運行案例

運行python代碼：

# 此處的data為測試數(shù)據(jù)路徑python3 classify_test.py ../data/

?運行成功后如無報錯會顯示以下信息：

5 案例展示

在案例根目錄out文件夾下會生成帶有檢測類別的圖片：

基于EA500I實現(xiàn)視頻物體分類應用

1 環(huán)境安裝

注意事項：

?以下操作以普通用戶HwHiAiUser安裝CANN包為例說明，推薦使用root用戶進行操作，如果是root用戶，請將安裝準備中所有的${HOME}修改為/usr/local。

?推薦按照本文檔路徑進行操作，如安裝在自定義路徑可能會導致環(huán)境沖突等問題。

1、配置相關環(huán)境

# 以安裝用戶在任意目錄下執(zhí)行以下命令，打開.bashrc文件。vi ~/.bashrc  # 在文件最后一行后面添加如下內容。export CPU_ARCH=`arch`export THIRDPART_PATH=${HOME}/Ascend/thirdpart/${CPU_ARCH}  #代碼編譯時鏈接samples所依賴的相關庫文件export LD_LIBRARY_PATH=${THIRDPART_PATH}/lib:$LD_LIBRARY_PATH  #運行時鏈接庫文件export INSTALL_DIR=${HOME}/Ascend/ascend-toolkit/latest #CANN軟件安裝后的文件存儲路徑，根據(jù)安裝目錄自行修改export DDK_PATH=${HOME}/Ascend/ascend-toolkit/latest #聲明CANN環(huán)境export NPU_HOST_LIB=${DDK_PATH}/runtime/lib64/stub #聲明CANN環(huán)境# 執(zhí)行命令保存文件并退出。:wq!  # 執(zhí)行命令使其立即生效。source ~/.bashrc # 創(chuàng)建samples相關依賴文件夾mkdir -p ${THIRDPART_PATH}# 下載源碼并安裝gitcd ${HOME}sudo apt-get install gitgit clone https://gitee.com/ascend/samples.git# 拷貝公共文件到samples相關依賴路徑中cp -r ${HOME}/samples/common ${THIRDPART_PATH}# 拷貝media_mini等so文件以及相關頭文件mkdir -p ${INSTALL_DIR}/drivercp /usr/lib64/libmedia_mini.so ${INSTALL_DIR}/driver/ #如路徑中沒有相關so文件，可跳過該命令cp /usr/lib64/libslog.so ${INSTALL_DIR}/driver/cp /usr/lib64/libc_sec.so ${INSTALL_DIR}/driver/cp /usr/lib64/libmmpa.so ${INSTALL_DIR}/driver/cp /usr/local/Ascend/include/peripheral_api.h ${INSTALL_DIR}/driver/ #如路徑中沒有相關頭文件，可跳過該命令

2、安裝opencv

# 執(zhí)行以下命令安裝opencv （注：請確保安裝的版本是3.x）sudo apt-get install libopencv-dev# 如果安裝的opencv版本為4.x，請執(zhí)行下列命令鏈接對應頭文件sudo ln -s /usr/include/opencv4/opencv2 /usr/include/

3、安裝protobuf&presentagent

# 安裝protobuf相關依賴sudo apt-get install autoconf automake libtool# 下載protobuf源碼cd ${HOME}git clone -b 3.13.x https://gitee.com/mirrors/protobufsource.git protobuf# 編譯安裝protobufcd protobuf./autogen.sh./configure --prefix=${THIRDPART_PATH}make cleanmake -j8sudo make install# 進入presentagent源碼目錄并編譯cd ${HOME}/samples/cplusplus/common/presenteragent/proto ${THIRDPART_PATH}/bin/protoc presenter_message.proto --cpp_out=./ #該步驟報錯可參考FAQ# 開始編譯presentagnetcd ..make -j8make install

2 模型轉換&獲取

注意事項：

?本案例使用基于Caffe的GoogLeNet模型，獲取模型的命令已提供，如果開發(fā)者需要更多模型信息可參考：<模型鏈接>

# 進入案例路徑，samples為前置步驟中下載的案例包cd ${HOME}/samples/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_video/model# 在model路徑下下載原始模型wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.caffemodelwget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.prototxt# 在model路徑下下載模型配置文件wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/googlenet_imagenet_video/insert_op.cfg# 使用ATC工具進行模型轉換atc --model="./googlenet.prototxt" --weight="./googlenet.caffemodel" --framework=0 --output="googlenet" --soc_version=Ascend310B1 --insert_op_conf=./insert_op.cfg --input_shape="data:1,3,224,224" --input_format=NCHW

3 編譯運行案例

1、執(zhí)行編譯腳本

# 進入腳本路徑cd ${HOME}/samples/cplusplus/level2_simple_inference/1_classification/googlenet_imagenet_video/scripts# 賦予腳本權限 chmod +x sample_build.sh    # 執(zhí)行編譯腳本bash sample_build.sh

?執(zhí)行編譯腳本后請根據(jù)實際情況選擇arm/x86格式，在EA500I上進行操作請選擇：arm

?編譯腳本中會自動下載相關視頻素材：cat.mp4，如開發(fā)者使用其它素材，可以在sample_build.sh處刪除該命令

?編譯完成后會生成相關文件并提示complete

2、執(zhí)行腳本運行案例

# 賦予腳本權限 chmod +x sample_run.sh    # 執(zhí)行運行腳本bash sample_run.sh

?執(zhí)行運行腳本后，如果有本設備有多個ip，請選擇能連通外網(wǎng)的ip并進行輸入，例：10.1.30.111

?執(zhí)行成功后，會提示successfully，并提供相關的網(wǎng)頁鏈接

?運行腳本默認讀取cat.mp4素材，如開發(fā)者使用其它素材，可以在sample_run.sh處更改素材路徑

4 案例展示

打開瀏覽器輸入提供的網(wǎng)頁鏈接與端口號，例：10.1.30.111:7007

?進入下圖界面后，等待狀態(tài)欄變?yōu)榫G色，可以單擊“Refresh“刷新，當有數(shù)據(jù)時相應的Channel 的Status變成綠色。

?狀態(tài)欄正常后，點擊右側的View Name下的名字 ，例：classify

?進入視頻物體分類界面后，會在視頻左上角顯示檢測的物體類別，視頻上方顯示視頻幀率，開發(fā)者可進行截圖、錄像等功能。

5 相關FAQ

1、安裝protobuf&presentagent時執(zhí)行${THIRDPART_PATH}/bin/protoc presenter_message.proto --cpp_out=./ 報錯：protoc not such file or directory

?該報錯可能是protobuf安裝問題：

# 回到protobuf安裝路徑cd /usr/local/probuf# 再次執(zhí)行make installmake install# 查看${THIRDPART_PATH}/bin/下是否有protoc

2、執(zhí)行編譯腳本時報錯如下圖：

?該報錯可能是opencv版本問題：

# 進入報錯代碼vi ../src/classify_process.cpp# 修改報錯代碼第279行（請根據(jù)實際代碼行數(shù)修改）修改成：cv::IMWRITE_JPEG_QUALITY# 執(zhí)行命令保存文件并退出:wq!# 重新執(zhí)行編譯腳本bash sample_build.sh

結語

以上就是英碼科技EA500I邊緣計算盒子基于昇騰AscendCL快速實現(xiàn)垃圾分類和視頻物體分類應用的案例。選購英碼科技基于昇騰AI芯片推出的邊緣計算產(chǎn)品，即可參照以上流程快速實現(xiàn)相關應用，大幅降低開發(fā)學習時間，縮短項目周期！如有技術問題和產(chǎn)品定制需求，歡迎留言交流~

# end

【昇騰產(chǎn)品應用】英碼科技EA500I基于昇騰Mind SDK實現(xiàn)實時人體關鍵點檢測

【昇騰系列產(chǎn)品應用】英碼科技EA500I邊緣計算盒子接口使用示例和目標檢測算法演示（附視頻）

【技術干貨】教你如何基于華為昇騰CANN架構快速實現(xiàn)模型推理應用（內含視頻教程）

關于英碼科技

廣州英碼信息科技有限公司成立于2006年，是一家致力提供云邊協(xié)同的AI算力產(chǎn)品與AI應用解決方案的人工智能企業(yè)。公司作為業(yè)內較早一批專注研發(fā)、生產(chǎn)算力硬件的企業(yè)，推出了一系列面向細分應用場景的國產(chǎn)算力硬件產(chǎn)品，包括邊緣計算盒子、算法一體機、AI邊緣服務器、加速卡等，并已在安全生產(chǎn)、智慧交通、智慧校園等多個AI場景得到成功應用。英碼科技以“感知萬物，智算賦能”為核心理念，軟硬結合賦能千行百業(yè)智能化轉型，構建無所不及的智能世界。

審核編輯 黃宇