Atlas 200 DK 系列--初级篇--图像分类应用的部署和使用
通用分类网络应用
本Application支持运行在Atlas 200 DK或者AI加速云服务器上，实现了对常见的分类网络的推理功能并输出前n个推理结果。
前提条件
部署此Sample前，需要准备好以下环境：
已完成Mind Studio的安装。
已完成Atlas 200 DK开发者板与Mind Studio的连接，交叉编译器的安装，SD卡的制作及基本信息的配置等
软件准备
运行此Sample前，需要按照此章节获取源码包，并进行相关的环境配置。
1. 获取源码包：图像分类部署和使用-Atlas200dk / sample-classification
将https://gitee.com/Atlas200DK/sample-classification仓中的代码以Mind Studio安装用户下载至Mind Studio所在Ubuntu服务器的任意目录，例如代码存放路径为：HOME/ascend/models/classification
操作步骤
shift+g到最低端
1.下载代码，并解压缩，切换到解压之后的文件下：
[email protected]:~/Downloads$ unzip sample-classification-master.zip
[email protected]:~/Downloads$ cd sample-classification-master/
[email protected]:~/Downloads/sample-classification-master$ ll
如下图所示：
2. 配置环境变量
以Mind Studio安装用户登录Mind Studio所在Ubuntu服务器，并设置环境变量DDK_HOME。
执行如下命令在最后一行添加DDK_HOME及LD_LIBRARY_PATH的环境变量。
[email protected]:~/Downloads/sample-classification-master$ vim ~/.bashrc
打开vim之后，shift+g到最低端，添加以后两句话
export DDK_HOME=DDK_HOME/uihost/lib
本文为：
export DDK_HOME=home/ascend/tools/che/ddk/ddk #ascend给位你自己的用户名
export LD_LIBRARY_PATH=$DDK_HOME/uihost/lib
输入:wq!保存退出
如下图所示：
[email protected]:~/Downloads/sample-classification-master$ source ~/.bashrc #使环境变量生效
执行的命令如图所示：
环境配置完毕！！！！！！！
- 部署–用部署脚本部署应用
[email protected]:~/Downloads/sample-classification-master$ bash deploy.sh 192.168.15.167 internet
(bash是整个引用的名字、部署脚本、开发板IP地址、internet代表模型文件的部署方式，默认在线部署，若Mind Studio所在Ubuntu系统已连接网络，请使用internet模式，在线下载依赖代码库ezdvpp，local：若Mind Studio所在Ubuntu系统未连接网络，请使用local模式，执行此命令前，需要参考公共代码库下载将依赖的公共代码库ezdvpp下载到“sample-classification/script“目录下)
部署完毕如下图所示：
4. 下载模型和图片，传模型和图片到开发板
在宿主机上下载模型，将其模型传到开发板；
重新打开一个终端，登入开发板，建一个目录存放下载的模型
然后再回到宿主机的终端命令，在下载好的模型的目录下，将其拷贝到开发板上，命令如下：
[email protected]:~/Downloads$ scp alexnet.om [email protected]:/home/HwHiAiUser/models
然后去开发板上去看看，模型是否拷贝过去
在宿主机上下载图片，将其图片传到开发板。
大部分模型对输入都有要求的，本文的输入是227X227,准备一个大小为227X227的图片，上传到开发板上。
- 在开发板上去执行
a.在Mind Studio所在Ubuntu服务器中，以HwHiAiUser用户SSH登录到Host侧。
ssh [email protected]
对于Atlas 200 DK，host_ip为192.168.15.167（NIC连接）。
对于AI加速云服务器，host_ip即为当前Mind Studio所在服务器的IP地址。
b.进入贯通网络的可执行文件所在路径。
cd ~/HIAI_PROJECTS/ascend_workspace/classification/out
c.执行应用程序
命令如下,脚本会将推理结果在执行终端直接打印显示：
python3 run_classification.py -m ~/models/alexnet.om -w 227 -h 227 -i ./apple.jpg -n 10
命令解析如下：
-m --model_path：离线模型存储路径。
-w model_width：模型的输入图片宽度，为16~4096之间的整数，请参考表1在gitee上查看所使用模型文件的Readme，获取模型要求的输入数据的宽和高。
-h model_height：模型的输入图片高度，为16~4096之间的整数，请参考表1在gitee上查看所使用模型文件的Readme，获取模型要求的输入数据的宽和高。
-i input_path：输入图片的路径，可以是目录，表示当前目录下的所有图片都作为输入（可以指定多个输入）。
-n top_n：输出前n个推理结果。
结果如下图所示：
推理之后展示结果有各种各样的方式，可以塞到图片中去展示，可以放到服务器去展示，也可以像本文一样直接放开控制台去展示，跟普通的软件设计是一样的。