mindspore mindyolo目标检测华为昇腾上推理使用、训练；华为OBS文件传输使用

参考：
https://github.com/mindspore-lab/mindyolo

使用案例：
https://github.com/mindspore-lab/mindyolo/blob/master/GETTING_STARTED.md

安装：

pip install mindyolo

特别注意opencv-python、opencv-python-headless版本问题，不然会遇到ImportError: libGL.so.1: cannot open shared object file: No such file or directory等问题
在这里插入图片描述

推理代码

1）下载项目

git clone https://github.com/mindspore-lab/mindyolo

2)运行测试
模型权重下载：https://github.com/mindspore-lab/mindyolo/blob/master/MODEL_ZOO.md
在这里插入图片描述

测试这种命令形式用华为昇腾npu推理速度不算快

cd mindyolo# Run with Ascend (By default)华为昇腾npu推理
python demo/predict.py --config ./configs/yolov7/yolov7.yaml --weight=/path_to_ckpt/WEIGHT.ckpt --image_path /path_to_image/IMAGE.jpg# Run with GPU
python demo/predict.py --config ./configs/yolov7/yolov7.yaml --weight=/path_to_ckpt/WEIGHT.ckpt --image_path /path_to_image/IMAGE.jpg --device_target=GPU## 我这里用的yolov7-tiny测试
python demo/predict.py --config ./configs/yolov7/yolov7-tiny.yaml --weight=../yolov7-tiny_300e_mAP375-d8972c94.ckpt --image_path  ../17people.jpg --device_target=CPU

在这里插入图片描述

推理图片结果保存在runs_infer/*/detect_results下
在这里插入图片描述

训练代码

参考：https://github.com/mindspore-lab/mindyolo/blob/master/GETTING_STARTED.md

1）下载项目

git clone https://github.com/mindspore-lab/mindyolo

2）数据集制作或者下载第三方，制作数据集对应yaml；mindyolo暂时只支持yolo数据集格式，voc、coco暂时不大支持

数据下载：https://universe.roboflow.com/hero-d6kgf/yolov5-fall-detection/dataset/1

mindyolo yaml格式参考：

data:dataset_name: gesturetrain_set: /hom***/yolo/Rock_paper_scissor_test/train/imagesval_set: /home/***/yolo/Rock_paper_scissor_test/valid/imagestest_set: /home/***/yolo/Rock_paper_scissor_test/test/imagesnc: 3names: ['Paper', 'Rock', 'Scissor']

yolov8n1.yaml

__BASE__: ['/home/***/yolo/Rock_paper_scissor_test/data.yaml','./hyp.scratch.low.yaml','./yolov8-base.yaml'
]network:depth_multiple: 0.33  # scales module repeatswidth_multiple: 0.25  # scales convolution channelsmax_channels: 1024

其他定义参数可以yolov8-base.yaml、hyp.scratch.low.yaml里更改，比如nc、names 训练的目标分类数量，或者训练train.py 传入

逐级覆盖，所有可配置参数满足，命令行直接传入 > yolov8n.yaml > yolov8-base.yaml > hyp.yaml > coco.yaml

在这里插入图片描述

3）训练

#单卡 也可以是on 1 NPU/GPU/CPU:
python train.py --config ./configs/yolov8/yolov8n1.yaml --device_target Ascend##多卡
mpirun --allow-run-as-root -n 2 python train.py --config ./configs/yolov7/yolov7.yaml  --is_parallel True

在这里插入图片描述

训练报错：

解决方法：
mindyolo/data/dataset.py Line 198 self.imgIds =
[int(Path(im_file).stem) for im_file in self.img_files]
由于采用自定义数据集，图片并非按照 int value.jpg 的格式保存，故改为 self.imgIds = [index for
index in range(len(self.img_files))]

在这里插入图片描述

5）训练好的模型预测：

python demo/predict.py --config ./configs/yolov8/yolov8n1.yaml --weight ./runs/2023.11.14-18.58.18/weights/yolov8n1-100_82.ckpt  --image_path ../1a.jpeg