概述

YOLO系列网络模型是最为经典的one-stage算法，也是目前工业领域使用最多的目标检测网络，YOLOv8网络模型是YOLO系列的最新版本，在继承了原有YOLO网络模型优点的基础上，具有更高的检测精度。

• 参考实现：

  url=https://github.com/ultralytics/ultralytics
  commit_id=7a7c8dc7b70cf4bc0be18763a6b66805974ecbe6
  model_name=yolov8

推理环境准备

• 该模型需要以下插件与驱动
  表 1 版本配套表

快速上手

获取源码

1. 获取源码

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   git reset --hard 7a7c8dc7b70cf4bc0be18763a6b66805974ecbe6
   pip3 install -e .
   git apply ../diff.patch
   cd  ..

2. 安装依赖

   pip3 install -r requirements.txt
   cd ultralytics
   pip3 install -r requirements.txt
   cd  ..

准备数据集

1. 获取原始数据集。

   mkdir datasets
   cd datasets
   wget https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels-segments.zip
   unzip coco2017labels-segments.zip
   wget http://images.cocodataset.org/zips/val2017.zip
   unzip val2017.zip -d coco/images
   cd ..

模型推理

1. 模型转换

   使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。

   1. 获取权重文件

      在链接中找到所需版本下载，也可以使用下述命令下载：

      wget https://github.com/ultralytics/assets/releases/download/v0.0.0/${model}.pt

      • 参数说明：
        • ${model}：模型大小，可选yolov8[n/s/m/l/x]

   2. 导出ONNX模型

      运行下述命令导出ONNX模型。

      python3 pth2onnx.py --pt=yolov8n.pt

      • 参数说明：
        • --pt：权重文件路径

      获得 yolov8n.onnx 文件。

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

         source /usr/local/Ascend/ascend-toolkit/set_env.sh

      2. 执行ATC命令。

         atc --framework=5 --model=yolov8n.onnx --input_format=NCHW --input_shape="images:${batchsize},3,640,640" --output_type=FP16 --output=yolov8n_bs${batchsize} --log=error --soc_version=Ascend${chip_name}

         • 参数说明：

           • --model：为 ONNX 模型文件
           • --framework：5 代表 ONNX 模型
           • --input_format：输入数据的格式
           • --input_shape：输入数据的形状
           • --output_type：输出数据的类型
           • --output：输出的 OM 模型
           • --log：日志级别
           • --soc_version：处理器型号

         • 自定义参数说明：

           • ${batchsize} 需要指定为要生成的 om 模型的批处理大小， 如 1、4、8、16 等，此处以 8 为示例进行说明。
           • ${chip_name} 可以用npu-smi info查询name得到。

         • 命令示例:

         atc --framework=5 --model=yolov8n.onnx --input_format=NCHW --input_shape="images:8,3,640,640" --output_type=FP16 --output=yolov8n_bs8 --log=error --soc_version=Ascend310P3

         运行成功后生成 yolov8n_bs8.om 模型文件。

2. 开始推理验证。

   1. 参数设置

      在 ultralytics\ultralytics\yolo\cfg 文件夹的 default.yaml 与 ultralytics\ultralytics\yolo\data\datasets 文件夹的 coco.yaml 中填入相关参数。

      请根据实际情况修改相关参数。

      • default.yaml 参数说明：

        • model：pt 权重文件，必须与 onnx 模型对应一致
        • data: 数据配置文件，此处以 coco.yaml 为例进行说明
        • batch：批处理数量大小，必须与 om 模型的 batchsize 相等
        • project：推理结果的总保存路径
        • name：每次推理结果的文件名称
        • ......

      • coco.yaml 参数说明：

        • path：coco 数据集存放路径
        • train：train2017.txt， 训练数据集路径文本
        • val：val2017.txt，验证数据集路径文本
        • test：test-dev2017.txt，测试数据集路径文本

3. 执行推理

   运行 om_infer.py 推理 OM 模型，结果默认保存在 project/name 文件夹下的 predictions.json，精度计算结果通过打屏显示。

   python3 om_infer.py --weight=yolov8n.pt --om=yolov8n_bs8.om --batch_size 8 --device_id=0

   • 命令参数说明：
   • --weight：pt 权重文件所在路径
   • --om：om 模型所在路径
   • --batch_size：om 模型的 batch size
   • --device_id：使用芯片的序号