本文分享自华为云社区《昇腾 CANN YOLOV8 和 YOLOV9 适配》，作者：jackwangcumt。
1 概述
华为昇腾 CANN YOLOV8 推理示例 C++样例 , 是基于Ascend CANN Samples官方示例中的sampleYOLOV7进行的 YOLOV8 适配。一般来说，YOLOV7 模型输出的数据大小为[1,25200,85]，而 YOLOV8 模型输出的数据大小为[1,84,8400]，因此，需要对sampleYOLOV7中的后处理部分进行修改，从而做到 YOLOV8/YOLOV9 模型的适配。因项目研发需要，公司购置了一台 Atlas 500 Pro 智能边缘服务器， 安装的操作系统为 Ubuntu 20.04 LTS Server，并按照官方说明文档，安装的 Ascend-cann-toolkit_7.0.RC1_linux-aarch64.run 等软件。具体可以参考另外一篇博文【Atlas 500 Pro 智能边缘服务器推理环境搭建】，这里不再赘述。
2 YOLOV8 模型准备
在进行 YOLOV8 模型适配工作之前，首先需要获取 YOLOV8 的模型文件，这里以官方的 YOLOV8n.pt 模型为例，在 Windows 操作系统上可以安装 YOLOV8 环境，并执行如下 python 脚本（pth2onnx.py）将.pt 模型转化成.onnx 模型：
import argparsefrom ultralytics import YOLO
def main(): parser = argparse.ArgumentParser() parser.add_argument('--pt', default="yolov8n", help='.pt file') args = parser.parse_args() model = YOLO(args.pt) onnx_model = model.export(format="onnx", dynamic=False, simplify=True, opset=11)
if __name__ == '__main__': main()
复制代码
具体的 YOLOV8 环境搭建步骤，可以参考 https://github.com/ultralytics/ultralytics 网站。当成功执行后，会生成 yolov8n.onnx 模型。输出内容示例如下所示：
(base) I:\yolov8\Yolov8_for_PyTorch>python pth2onnx.py --pt=yolov8n.ptUltralytics YOLOv8.0.229 🚀 Python-3.11.5 torch-2.1.2 CPU (Intel Core(TM) i7-10700K 3.80GHz)YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs
PyTorch: starting from 'yolov8n.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)
ONNX: starting export with onnx 1.15.0 opset 11...ONNX: simplifying with onnxsim 0.4.36...ONNX: export success ✅ 1.0s, saved as 'yolov8n.onnx' (12.2 MB)
Export complete (3.2s)Results saved to I:\yolov8\Yolov8_for_PyTorchPredict: yolo predict task=detect model=yolov8n.onnx imgsz=640Validate: yolo val task=detect model=yolov8n.onnx imgsz=640 data=coco.yamlVisualize: https://netron.app
复制代码
从输出信息中可以看出， yolov8n.pt 原始模型的输出尺寸为 (1, 3, 640, 640)，格式为 BCHW ，输出尺寸为 (1, 84, 8400) 。这个模型的更多信息，可以用 netron 工具进行可视化查看，在安装了 netron 后，可以执行如下命令打开 yolov8n.onnx 模型进行 Web 网络结构的查看:
(base) I:\yolov8\Yolov8_for_PyTorch>netron yolov8n.onnxServing 'yolov8x.onnx' at http://localhost:8080
复制代码
可以看到，转化后的 yolov8n.onnx 模型输入的节点名称为 images，输入张量的大小为[1,3,640,640] 。在将 yolov8n.onnx 模型上传到 Atlas 500 Pro 服务器上，执行如下命令进行模型转换：
atc --model=yolov8n.onnx --framework=5 --output=yolov8n --input_shape="images:1,3,640,640" --soc_version=Ascend310P3 --insert_op_conf=aipp.cfg
复制代码
其中的:
--soc_version=Ascend310P3 可以通过 npu-smi info 命令进行查看，我这里打印的是 310P3 则，--soc_version 为 Ascend 前缀加上 310P3，即 Ascend310P3。
--input_shape="images:1,3,640,640" 表示 NCHW，即批处理为 1，通道为 3，图片大小为 640x640，这与 onnx 模型的输入节点一致 。
--insert_op_conf=aipp.cfg 中的 aipp.cfg 来自官网sampleYOLOV7示例。由于原始输入图片的大小可能不符合要求，需要缩放到 640x640 的尺寸。aipp.cfg 内容如下：
aipp_op{ aipp_mode:static input_format : YUV420SP_U8 src_image_size_w : 640 src_image_size_h : 640
csc_switch : true rbuv_swap_switch : false matrix_r0c0 : 256 matrix_r0c1 : 0 matrix_r0c2 : 359 matrix_r1c0 : 256 matrix_r1c1 : -88 matrix_r1c2 : -183 matrix_r2c0 : 256 matrix_r2c1 : 454 matrix_r2c2 : 0 input_bias_0 : 0 input_bias_1 : 128 input_bias_2 : 128
crop: true load_start_pos_h : 0 load_start_pos_w : 0 crop_size_w : 640 crop_size_h : 640
min_chn_0 : 0 min_chn_1 : 0 min_chn_2 : 0 var_reci_chn_0: 0.0039215686274509803921568627451 var_reci_chn_1: 0.0039215686274509803921568627451 var_reci_chn_2: 0.0039215686274509803921568627451}
复制代码
生执行成功后，会生成 yolov8n.om 离线模型
3 适配代码
根据官网sampleYOLOV7示例适配的 YOLOV8 示例，代码已经开源，地址为：https://gitee.com/cumt/ascend-yolov8-sample 。核心代码 sampleYOLOV8.cpp 中的后处理方法 GetResult 为：
Result SampleYOLOV8::GetResult(std::vector<InferenceOutput> &inferOutputs, string imagePath, size_t imageIndex, bool release){ uint32_t outputDataBufId = 0; float *classBuff = static_cast<float *>(inferOutputs[outputDataBufId].data.get()); // confidence threshold float confidenceThreshold = 0.35;
// class number size_t classNum = 80;
//// number of (x, y, width, hight) size_t offset = 4;
// total number of boxs yolov8 [1,84,8400] size_t modelOutputBoxNum = 8400;
// read source image from file cv::Mat srcImage = cv::imread(imagePath); int srcWidth = srcImage.cols; int srcHeight = srcImage.rows;
// filter boxes by confidence threshold vector<BoundBox> boxes; size_t yIndex = 1; size_t widthIndex = 2; size_t heightIndex = 3;
// size_t all_num = 1 * 84 * 8400 ; // 705,600
for (size_t i = 0; i < modelOutputBoxNum; ++i) {
float maxValue = 0; size_t maxIndex = 0; for (size_t j = 0; j < classNum; ++j) {
float value = classBuff[(offset + j) * modelOutputBoxNum + i]; if (value > maxValue) { // index of class maxIndex = j; maxValue = value; } }
if (maxValue > confidenceThreshold) { BoundBox box; box.x = classBuff[i] * srcWidth / modelWidth_; box.y = classBuff[yIndex * modelOutputBoxNum + i] * srcHeight / modelHeight_; box.width = classBuff[widthIndex * modelOutputBoxNum + i] * srcWidth / modelWidth_; box.height = classBuff[heightIndex * modelOutputBoxNum + i] * srcHeight / modelHeight_; box.score = maxValue; box.classIndex = maxIndex; box.index = i; if (maxIndex < classNum) { boxes.push_back(box); } } }
ACLLITE_LOG_INFO("filter boxes by confidence threshold > %f success, boxes size is %ld", confidenceThreshold,boxes.size());
// filter boxes by NMS vector<BoundBox> result; result.clear(); float NMSThreshold = 0.45; int32_t maxLength = modelWidth_ > modelHeight_ ? modelWidth_ : modelHeight_; std::sort(boxes.begin(), boxes.end(), sortScore); BoundBox boxMax; BoundBox boxCompare; while (boxes.size() != 0) { size_t index = 1; result.push_back(boxes[0]); while (boxes.size() > index) { boxMax.score = boxes[0].score; boxMax.classIndex = boxes[0].classIndex; boxMax.index = boxes[0].index;
// translate point by maxLength * boxes[0].classIndex to // avoid bumping into two boxes of different classes boxMax.x = boxes[0].x + maxLength * boxes[0].classIndex; boxMax.y = boxes[0].y + maxLength * boxes[0].classIndex; boxMax.width = boxes[0].width; boxMax.height = boxes[0].height;
boxCompare.score = boxes[index].score; boxCompare.classIndex = boxes[index].classIndex; boxCompare.index = boxes[index].index;
// translate point by maxLength * boxes[0].classIndex to // avoid bumping into two boxes of different classes boxCompare.x = boxes[index].x + boxes[index].classIndex * maxLength; boxCompare.y = boxes[index].y + boxes[index].classIndex * maxLength; boxCompare.width = boxes[index].width; boxCompare.height = boxes[index].height;
// the overlapping part of the two boxes float xLeft = max(boxMax.x, boxCompare.x); float yTop = max(boxMax.y, boxCompare.y); float xRight = min(boxMax.x + boxMax.width, boxCompare.x + boxCompare.width); float yBottom = min(boxMax.y + boxMax.height, boxCompare.y + boxCompare.height); float width = max(0.0f, xRight - xLeft); float hight = max(0.0f, yBottom - yTop); float area = width * hight; float iou = area / (boxMax.width * boxMax.height + boxCompare.width * boxCompare.height - area);
// filter boxes by NMS threshold if (iou > NMSThreshold) { boxes.erase(boxes.begin() + index); continue; } ++index; } boxes.erase(boxes.begin()); }
ACLLITE_LOG_INFO("filter boxes by NMS threshold > %f success, result size is %ld", NMSThreshold,result.size()); // opencv draw label params const double fountScale = 0.5; const uint32_t lineSolid = 2; const uint32_t labelOffset = 11; const cv::Scalar fountColor(0, 0, 255); // BGR const vector<cv::Scalar> colors{ cv::Scalar(255, 0, 0), cv::Scalar(0, 255, 0), cv::Scalar(0, 0, 255)};
int half = 2; for (size_t i = 0; i < result.size(); ++i) { cv::Point leftUpPoint, rightBottomPoint; leftUpPoint.x = result[i].x - result[i].width / half; leftUpPoint.y = result[i].y - result[i].height / half; rightBottomPoint.x = result[i].x + result[i].width / half; rightBottomPoint.y = result[i].y + result[i].height / half; cv::rectangle(srcImage, leftUpPoint, rightBottomPoint, colors[i % colors.size()], lineSolid); string className = label[result[i].classIndex]; string markString = to_string(result[i].score) + ":" + className;
ACLLITE_LOG_INFO("object detect [%s] success", markString.c_str());
cv::putText(srcImage, markString, cv::Point(leftUpPoint.x, leftUpPoint.y + labelOffset), cv::FONT_HERSHEY_COMPLEX, fountScale, fountColor); } string savePath = "out_" + to_string(imageIndex) + ".jpg"; cv::imwrite(savePath, srcImage); if (release) { free(classBuff); classBuff = nullptr; } return SUCCESS;}
复制代码
YOLOV8 的输出尺寸为 (1, 84, 8400)，其中的 8400 代表模型原始预测的对象检测框信息，即代码中用 size_t modelOutputBoxNum = 8400 ; 进行表示。而 84 代表 4 个位的边界框预测值（x,y,w,h）位置信息和 80 个检测类别数，即 84 = 4 + 80 。由于模型检测结果是用内存连续的一维数组进行表示的，因此，需要根据 yolov8 输出尺寸的实际含义，来访问需要的数组内存地址来获取需要的值。根据资料显示，yolov8 模型不另外对置信度进行预测， 而是采用类别里面最大的概率作为置信度的值，8400 是 yolov8 模型各尺度输出特征图叠加之后的结果，一般推理不需要处理。下面给出模型尺寸和内存数组的映射示意图 ：
即除首行外，将其他 83 行的每一行依次变换到首行的末尾构成一维数组，一维数组的大小位 8400 x 84 。遍历数组时，首先将 8400 个预测信息中的置信度获取到，即偏移 offset=4 个后，获取 80 个类别位中最大的值以及索引转化为置信度和类别 ID。前 4 个代表 x,y,w,预测框信息。对于个性化定制的模型，则需要修改 size_t classNum = 80; 即可，参考 onnx 输出尺寸[1,84,8400]中的 84-4 = 80 , 比如自定义的模型输出为[1,26,8400]，则 size_t classNum = 22 （26-4）.
4 编译运行
下载开源代码，上传服务器，并解压，然后执行如下命令进行代码编译：
unzip ascend-yolov8-sample-master.zip -d ./kztech cd ascend-yolov8-sample-master/src# src目录下cmake .make#如果正确执行，则会在../out目录中生成 main 可执行文件,在src目录中运行示例../out/main#如果报如下错误：../out/main: error while loading shared libraries: libswresample.so.3: cannot open shared object file: No such file or directory则尝试设置如下环境变量后重试:export LD_LIBRARY_PATH=/usr/local/Ascend/thirdpart/aarch64/lib:$LD_LIBRARY_PATH#正确执行后，会在当前目录中生成out_0.jpg文件
复制代码
执行成功，控制台打印如下信息：
root@atlas500ai:/home/kztech/ascend-yolov8-sample-master/src# ../out/main[INFO] Acl init ok[INFO] Open device 0 ok[INFO] Use default context currently[INFO] dvpp init resource ok[INFO] Load model ../model/yolov8n.om success[INFO] Create model description success[INFO] Create model(../model/yolov8n.om) output success[INFO] Init model ../model/yolov8n.om success[INFO] filter boxes by confidence threshold > 0.350000 success, boxes size is 10[INFO] filter boxes by NMS threshold > 0.450000 success, result size is 1[INFO] object detect [0.878906:dog] success[INFO] Inference elapsed time : 0.038817 s , fps is 25.761685[INFO] Unload model ../model/yolov8n.om success[INFO] destroy context ok[INFO] Reset device 0 ok[INFO] Finalize acl ok
复制代码
5 总结
YOLO 各系列的适配过程，大部分都是处理输入格式和输出格式的变换上，参考 YOLOV7，可以进行 YOLOV8 模型的适配，同理，YOLOV9 的模型适配也是一样的。目前 YOLOV9 和 YOLOV8 模型输出格式一致，因此，只需要进行 yolov9xx.om 模型的生成工作即可。yolov9-c-converted.pt 模型(https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c-converted.pt)转换如下： 在 windows 操作系统上可以安装 YOLOV9 环境，并执行如下 python 脚本将.pt 模型转化成.onnx 模型:
#从base环境创建新的环境yolov9conda create -n yolov9 --clone base#激活虚拟环境yolov9conda activate yolov9#克隆yolov9代码git clone https://github.com/WongKinYiu/yolov9# 安装yolov9项目的依赖(yolov9) I:\yolov9-main>pip install -r requirements.txt# 模型转换导出onnx(yolov9) I:\yolov9-main>python export.py --weights yolov9-c-converted.pt --include onnx
复制代码
(yolov9) I:\yolov9-main>python export.py --weights yolov9-c-converted.pt --include onnxexport: data=I:\yolov9-main\data\coco.yaml, weights=['yolov9-c-converted.pt'], imgsz=[640, 640], batch_size=1, device=cpu, half=False, inplace=False, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=12, verbose=False, workspace=4, nms=False, agnostic_nms=False, topk_per_class=100, topk_all=100, iou_thres=0.45, conf_thres=0.25, include=['onnx']YOLO 2024-3-13 Python-3.11.5 torch-2.1.2 CPU
Fusing layers...gelan-c summary: 387 layers, 25288768 parameters, 64944 gradients, 102.1 GFLOPs
PyTorch: starting from yolov9-c-converted.pt with output shape (1, 84, 8400) (49.1 MB)
ONNX: starting export with onnx 1.15.0...ONNX: export success 2.9s, saved as yolov9-c-converted.onnx (96.8 MB)
Export complete (4.4s)Results saved to I:\yolov9-mainDetect: python detect.py --weights yolov9-c-converted.onnxValidate: python val.py --weights yolov9-c-converted.onnxPyTorch Hub: model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov9-c-converted.onnx')Visualize: https://netron.app
复制代码
atc --model=yolov9-c-converted.onnx --framework=5 --output=yolov9-c-converted --input_shape="images:1,3,640,640" --soc_version=Ascend310P3 --insert_op_conf=aipp.cfg
复制代码
点击关注，第一时间了解华为云新鲜技术~
评论