实例讲授昇腾 CANN YOLOV8 和 YOLOV9 适配

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， 安装的操纵体系为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。详细可以参考别的一篇博文【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，起首需要获取YOLOV8的模型文件，这里以官方的 YOLOV8n.pt模型为例，在Windows操纵体系上可以安装YOLOV8环境，并实行如下python脚本（pth2onnx.py）将.pt模型转化成.onnx模型：

1. import argparse
2. from ultralytics import YOLO
4. def main():
5.     parser = argparse.ArgumentParser()
6.     parser.add_argument('--pt', default="yolov8n", help='.pt file')
7.     args = parser.parse_args()
8.     model = YOLO(args.pt)
9.     onnx_model = model.export(format="onnx", dynamic=False, simplify=True, opset=11)
11. if __name__ == '__main__':
12.     main()

复制代码

详细的YOLOV8环境搭建步骤，可以参考 https://github.com/ultralytics/ultralytics 网站。当成功实行后，会生成yolov8n.onnx模型。输出内容示例如下所示：
[code](base) I:\yolov8\Yolov8_for_PyTorch>python pth2onnx.py --pt=yolov8n.ptUltralytics YOLOv8.0.229
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。