目录前言深度学习模型在AI芯片上部署的一般流程CANN模型部署流程CANNACL接口调用流程(python)步骤1.ACL环境初始化和资源申请步骤2.模型加载步骤3.准备输入数据，预处理，推理，后处理步骤4.卸载模型步骤5.资源释放，acl去初始化用于简化部署的AtlasUtils1.导入相关模块、通过atlas_utils.acl_resource初始化pyACL2.通过atlas_utils.acl_model加载CANN模型3.（可选）通过atlas_utils.acl_dvpp、atlas_utils.acl_image加载图像、进行预处理4.模型推理5.推理完成总结前言平时喜欢玩开发
1.服务器环境配置1.1GPU驱动安装下载GPU驱动https://www.nvidia.cn/geforce/drivers/选择对应的显卡型号以及操作系统，点击搜索选择最新的下载安装即可（所有选项默认设置最好）终端输入命令查看是否安装正确nvidia-smi出现以下信息表明安装正确，其中红框为可以支持的cuda最高版本1.2安装CUDA下载CUDAToolkithttps://developer.nvidia.com/cuda-toolkit-archive选择最高支持的版本或者更低版本选择系统等后点击下载一切设置都默认即可，直接下一步安装过程中可能出现失败，如出现关于c++的问题，可以通
1.服务器环境配置1.1GPU驱动安装下载GPU驱动https://www.nvidia.cn/geforce/drivers/选择对应的显卡型号以及操作系统，点击搜索选择最新的下载安装即可（所有选项默认设置最好）终端输入命令查看是否安装正确nvidia-smi出现以下信息表明安装正确，其中红框为可以支持的cuda最高版本1.2安装CUDA下载CUDAToolkithttps://developer.nvidia.com/cuda-toolkit-archive选择最高支持的版本或者更低版本选择系统等后点击下载一切设置都默认即可，直接下一步安装过程中可能出现失败，如出现关于c++的问题，可以通
工作需要，又需要对yolov5输出的模型进行转onnx再用c++进行后续处理。两个问题。yolov5的模型输出的是个啥啊？转成onnx后输出的和yolov5输出的处理是否一样呢？关于第一个问题，yolov5的模型输出的是个啥啊？以前只知道抄代码就行，也不知道里面干了啥，输出的后处理也都是由现成的代码来实现。我也懒得考虑内部的原理，反正代码正常跑。系统正常运行就可以。但是今天不行啦，得自己解析输出。被逼无奈之下，只能仔细研究下yolov5的模型和其内部的神经网络结构。关于神经网络的结构，主要是在文件models\yolov5s.yaml中定义的。具体的我在下面的文件中注释写进去了。#YOLOv5
工作需要，又需要对yolov5输出的模型进行转onnx再用c++进行后续处理。两个问题。yolov5的模型输出的是个啥啊？转成onnx后输出的和yolov5输出的处理是否一样呢？关于第一个问题，yolov5的模型输出的是个啥啊？以前只知道抄代码就行，也不知道里面干了啥，输出的后处理也都是由现成的代码来实现。我也懒得考虑内部的原理，反正代码正常跑。系统正常运行就可以。但是今天不行啦，得自己解析输出。被逼无奈之下，只能仔细研究下yolov5的模型和其内部的神经网络结构。关于神经网络的结构，主要是在文件models\yolov5s.yaml中定义的。具体的我在下面的文件中注释写进去了。#YOLOv5
本文参考github上大神的开源剪枝项目进行学习与分享，具体链接放在文后，希望与大家多多交流！一、原模型训练在官方源码上训练yolov5模型，支持v6.0分支的n/s/m/l模型，我这里使用的是v5s，得到后将项目clone到本机上gitclonehttps://github.com/midasklr/yolov5prune.gitcd进入文件夹后，新建runs文件夹，将训练好的模型放入runs/your_train/weights/xxx.pt，我的原模型map0.5:0.95为0.84左右，模型与data.yaml设置好后可以进行稀疏化训练了。二、稀疏化训练pythontrain_spar
本文参考github上大神的开源剪枝项目进行学习与分享，具体链接放在文后，希望与大家多多交流！一、原模型训练在官方源码上训练yolov5模型，支持v6.0分支的n/s/m/l模型，我这里使用的是v5s，得到后将项目clone到本机上gitclonehttps://github.com/midasklr/yolov5prune.gitcd进入文件夹后，新建runs文件夹，将训练好的模型放入runs/your_train/weights/xxx.pt，我的原模型map0.5:0.95为0.84左右，模型与data.yaml设置好后可以进行稀疏化训练了。二、稀疏化训练pythontrain_spar
一修改思想目前yoloV7已经发布有一段时间了，其中yoloV7有一个关键点检测的分支pose，是一个姿态关键点的检测算法，其中有给出的数据，大家可以下载运行起来。由于实际项目需求，发现17个关键点是不能满足大家的需求的，这里我就稍作修改了一下，把关键点的数量修改为任意数量，并且添加目标检测多分类情况。二数据修改这里我是以车牌的关键点进行举例修改，所有关键点的数量为4个。修改的过程中需要做左右翻转，所以我的关键点翻转后，1和2交换，3和4交换，5和6交换，依次类推。1yaml文件修改设置关键点数量，修改关键点数量为4设置类别数量和类别标签数据制作训练标签制作#-nfs-阿拉伯车牌字符-沙特阿拉
一修改思想目前yoloV7已经发布有一段时间了，其中yoloV7有一个关键点检测的分支pose，是一个姿态关键点的检测算法，其中有给出的数据，大家可以下载运行起来。由于实际项目需求，发现17个关键点是不能满足大家的需求的，这里我就稍作修改了一下，把关键点的数量修改为任意数量，并且添加目标检测多分类情况。二数据修改这里我是以车牌的关键点进行举例修改，所有关键点的数量为4个。修改的过程中需要做左右翻转，所以我的关键点翻转后，1和2交换，3和4交换，5和6交换，依次类推。1yaml文件修改设置关键点数量，修改关键点数量为4设置类别数量和类别标签数据制作训练标签制作#-nfs-阿拉伯车牌字符-沙特阿拉
Yolov5训练指南—CoCo格式数据集1准备工作2将coco数据集转换为yolo数据集3训练参数定义4训练模型5预测1准备工作训练Yolo模型要准备的文件及文件格式如下：/trianing#根目录 /datasets#数据集目录（可以任意取名） /images /train /val /labels /train /val /yolov5先创建一个training文件夹mkdirtraining/在training文件夹下使用gitclone把yolov5克隆下来并安装依赖cdtraininggitcloneclonehttps://github.com/ultralyt
