实例讲解昇腾 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 argparsefromultralytics 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()

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.pt

Ultralytics YOLOv8.0.229
        

标签: none