昇腾310的YoloV5模型部署概念简述

本文旨在解释在昇腾310系列上部署YoloV5模型过程中提到的一些概念

1. 基础知识

昇腾计算语言AscendCL

基本概念：

AscendCL (Ascend Computing Language) 是一套用于在异腾平台上开发深度神经网络推理应用的C语言API库，提供运行资源管理、内存管理、模型加载与执行、算子加载与执行、媒体算资源,在昇腾CANN平台上进行深度学习推理计算、图形图像预处理、单算子加速计算等能力．简单来说，就是統一的API框架，实现对所有资源的调用。数据处理等API，能够实现利用昇腾硬件计算资源、在昇腾CANN平台上进行深度学习推理计算、图形图像预处理、单算子加速计算等能力。简单来说，就是统一的API框架，实现对所有资源的调用。

昇腾计算框架

2. 案例分析

1. 案例一：目标检测模型

目标检测

概述：

当我们谈论目标检测时，我们通常是指在图像或视频中检测出并定位物体的过程。目标检测的主要任务包括两个方面：物体检测和定位。物体检测是指在图像中寻找物体，井給出物体所属的类别，而定位是指确定物体在图像中的位置和大小.

目标检测在许多领域都有广泛应用，例如自动驾驶、安防监控、人脸识别等，近年来，深度学习技术的发展使得目标检测的性能大幅提升，目前一些最先进的目标检测算法如Faster R-CNN、YOLO和SSD等已经在许多实际应用中得到了广泛应用。

目标检测

YOLOv5的网络结构

YOLOv5的网络结构主要包含3个部分，分别是骨干网络、特征融合网络和头网络。在模型部器应用开发的过程中，我们需要了解模型的输入和钠出结构，针对性地进行模型的预处理和后处理部分设计。

Yolov5网络结构图

• YOLOv5s网络结构

YOLOv5s网络是YOLOv5系列中深度最小，特征图的宽度最小的网络。后面的3种都是在此基础上不断加深，不断加宽。

Yolov5s网络结构图

YOLOv5核心基础内容

YOLOv5的结构和YOLOv4很相似，但也有一些不同，在这里我按照从整体到细节的方式，对每个板块进行讲解。

YOLOv5网络结构划分板块

1. 输入端： Mosaic数据增强、自适应锚框计算、自适应图片缩放
2. Backbone： Focus结构，CSP结构
3. Neck： FPN+PAN结构
4. Prediction： GIOU_Loss

引用 Refer

1. 深入浅出Yolo系列之Yolov5核心基础知识完整讲解 - 知乎 (zhihu.com)