基于 Caffe ResNet-50 网络实现图片分类（异步推理）

功能描述

该样例主要是基于Caffe ResNet-50网络（单输入、单batch）实现图片分类的功能。
将Caffe ResNet-50网络的模型文件转换为适配昇腾AI处理器的离线模型（*.om文件）。该样例中加载该om文件，对2张*.jpg图片进行n次异步推理（n作为运行应用的参数，由用户配置，可通过--execute_times参数设置，默认为4次），分别得到n次推理结果后，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

如下为模型文件转换后的示例目录结构，model文件夹是转换后生成的。

resnet50_async_imagenet_classification
├──src
│ ├── acl_net.py //运行文件
│ └── constant.py //常量定义
├── data
│ ├── dog1_1024_683.jpg //测试图片数据
│ └── dog2_1024_683.jpg //测试图片数据
├── caffe_model
│ ├── resnet50.caffemodel //resnet50模型
│ └── resnet50.prototxt // resnet50模型的网络文件
└── model
  └── resnet50.om //转换后的模型文件

主要接口

环境变量配置

在安装完CANN软件包之后，请务必自行配置pyACL相关的环境变量，否则，将无法正常“import acl”。

1. 若环境中安装了cann-toolkit软件包：

# 以root用户安装toolkit包
. /usr/local/Ascend/ascend-toolkit/set_env.sh
# 以非root用户安装toolkit包
. ${HOME}/Ascend/ascend-toolkit/set_env.sh

2. 若环境中安装了cann-nnrt软件包：

# 以root用户安装nnrt包
. /usr/local/Ascend/nnrt/set_env.sh
# 以非root用户安装nnrt包
. ${HOME}/Ascend/nnrt/set_env.sh

3. 若环境中安装了cann-nnae软件包：

# 以root用户安装nnae包
. /usr/local/Ascend/nnae/set_env.sh
# 以非root用户安装nnae包
. ${HOME}/Ascend/nnae/set_env.sh

• Atlas 500 智能小站：

  1. 配置PYTHON环境变量，将“/home/data/miniD/driver/lib64”加入到PYTHON中。命令示例如下：

     export PYTHONPATH=/home/data/miniD/driver/lib64:$PYTHONPATH
     

  2. 配置LD_LIBRARY_PATH，将“/home/data/miniD/driver/lib64”加入到LD_LIBRARY_PATH中。命令示例如下：

     export LD_LIBRARY_PATH=/home/data/miniD/driver/lib64:$LD_LIBRARY_PATH
     

• Atlas 200 AI加速模块（ RC场景）：

  1. 安装minirc版本的runtime包，以安装在默认路径“/usr/local/Ascend”为例：配置LD_LIBRARY_PATH，将“/usr/local/Ascend/runtime/lib64”加入到LD_LIBRARY_PATH中。命令示例如下：

     export LD_LIBRARY_PATH=/usr/local/Ascend/runtime/lib64:$LD_LIBRARY_PATH
     

  2. 获取aarch64架构的cann-nnrt软件包，在服务器上解压，在软件包所在目录下的解压命令如下：

     ./Ascend-cann-nnrt_xxx_linux-aarch64.run --noexec --extract="解压目标路径"
     

     在解压目标路径下找到“run_package/Ascend-pyACL-xxx-linux.aarch64.run”，在软件包所在目录下的解压命令如下：

     ./Ascend-pyACL-xxx-linux.aarch64.run --noexec --extract="解压目标路径"
     

     在解压路径下找到“python/site-packages/acl/acl.so”，将acl.so上传至200RC上，例如，上传至“ /usr/local/Ascend/pyACL/python/site-packages/acl”目录下，配置PYTHON环境变量，将“ /usr/local/Ascend/pyACL/python/site-packages/acl”加入到PYTHON中。命令示例如下：

     export PYTHONPATH=/usr/local/Ascend/pyACL/python/site-packages/acl:$PYTHONPATH
     

运行应用

1. 模型转换。

   1. 以HwHiAiUser（运行用户）登录开发环境。

   2. 参见《昇腾文档》中的“将已有模型通过ATC工具转换”指导中的ATC工具使用环境搭建，获取ATC工具并设置环境变量。

   3. 准备数据。 从以下链接获取ResNet-50网络的权重文件（*.caffemodel）、模型文件（resnet50.prototxt），并以HwHiAiUser（运行用户）将获取的文件上传至开发环境的“resnet50_async_imagenet_classification/caffe_model”目录下。

      • 从gitee上获取：单击Link，查看README.md，查找获取原始模型的链接。
      • 从GitHub上获取：单击Link，查看README.md，查找获取原始模型的链接。

   4. 将ResNet-50网络转换为适配昇腾AI处理器的离线模型（*.om文件）。 切换到“resnet50_async_imagenet_classification”目录，执行如下命令。 Ascendxxx为使用的昇腾AI处理器型号，请用户自行替换。

      atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascendxxx --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0
      
      • --output参数：生成的resnet50.om文件存放在“resnet50_async_imagenet_classification/model”目录下。
      • 使用atc命令时用户需保证对resnet50_async_imagenet_classification目录有写权限。

   5. 以运行用户将开发环境的样例目录及目录下的文件上传到运行环境。

2. 运行应用

   1. 登录运行环境。
   2. 准备测试数据。 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“resnet50_async_imagenet_classification/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
   3. 参照环境变量配置完成运行环境的配置。
   4. 在resnet50_async_imagenet_classification路径下执行如下命令：

      python3 ./src/acl_net.py