Atlas800昇腾服务器（型号：3000）—YOLO全系列om模型转换测试（三）

服务器配置如下：

CPU/NPU：鲲鹏 CPU（ARM64）+A300I pro推理卡 系统：Kylin V10 SP1【下载链接】【安装链接】 驱动与固件版本版本： Ascend-hdk-310p-npu-driver_23.0.1_linux-aarch64.run【下载链接】 Ascend-hdk-310p-npu-firmware_7.1.0.4.220.run【下载链接】 MCU版本：Ascend-hdk-310p-mcu_23.2.3【下载链接】 CANN开发套件：版本7.0.1【Toolkit下载链接】【Kernels下载链接】

测试om模型环境如下：

Python：版本3.8.11 测试YOLO系列：v5/6/7/8/9/10/11

专栏其他文章： Atlas800昇腾服务器（型号：3000）—驱动与固件安装（一） Atlas800昇腾服务器（型号：3000）—CANN安装（二） Atlas800昇腾服务器（型号：3000）—YOLO全系列om模型转换测试（三） Atlas800昇腾服务器（型号：3000）—AIPP加速前处理（四） Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【检测】（五） Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【实例分割】（六） Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【关键点】（七） Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【跟踪】（八）

1 环境安装

1.1 miniconda安装

链接：https://docs.anaconda.com/miniconda/index.html

安装后，创建一个名yolo的环境【Python==3.8.11】：

# 注意：创建普通用户并进入用户再运行如下
# 选择一个一个可下载的文件目录，使用wget命令下载(回车)
wget https://repo.anaconda.com/miniconda/Miniconda3–latest–Linux–aarch64.sh

# 安装中：
# 1.一路enter（回车）下去，直到问yes，输入yes。
# 2.我使用默认路径/gdu/miniconda/ ，不更改的继续回车就好。
# 3.然后最后一个问是否写入路径，提示为No,建议输入yes（如果输入No了，需要自己去配置下地址）
bash Miniconda3–latest–Linux–aarch64.sh

# 此时完成安装后没有在root用户前显示conda环境，输入
source ~/.bashrc

# 创建python=3.8.11基础环境
conda create –n yolo python=3.8.11

换源参考：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

1.2 安装ATC所需依赖库

注意：安装为ATC转换的必须依赖环境，下面操作在CANN中有在root上装，这里是新用户新环境，需再安装配置一次！！ 第一次（直接装均成功）：

conda activate yolo

pip install attrs cython decorator sympy cffi pyyaml pathlib2 psutil protobuf requests absl–py –i https://pypi.tuna.tsinghua.edu.cn/simple

第二次（利用pip进行scipy安装，1.8.0也可以，会顺带把numpy一起安装，版本为1.22.4）：

pip install scipy==1.7.0 –i https://pypi.tuna.tsinghua.edu.cn/simple

注意：安装完需source ~/bashrc才能生效！

# 1.进入运行环境yolo【普通用户】
conda activate yolo
# 2.激活atc【atc –help测试是否可行】
source ~/bashrc

2 om模型转换测试

2.1 静态onnx转换测试

注意：以下测试模型均为静态onnx！ YOLOv5测试：【检测/分割om均生成成功】

# 转换示例
atc ––framework=5 ––model=yolov5s.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolov5s ––soc_version=Ascend310P3

YOLOv6测试：【检测/分割om均生成成功】

# 转换示例
atc ––framework=5 ––model=yolov6s.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolov6s ––soc_version=Ascend310P3

YOLOv7测试：【检测om均生成成功】

# 转换示例
atc ––framework=5 ––model=yolov7.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolov7 ––soc_version=Ascend310P3

YOLOv8测试：【检测/分割/关键点om均生成成功】

# 转换示例
atc ––framework=5 ––model=yolov8s.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolov8s ––soc_version=Ascend310P3

YOLOv9测试：【检测om均生成成功】

# 转换示例
atc ––framework=5 ––model=yolov9s.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolov9s ––soc_version=Ascend310P3

YOLOv10测试：【检测om生成成功，但出现算子告警】

# 转换示例
atc ––framework=5 ––model=yolov10s.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolov10s ––soc_version=Ascend310P3

YOLOv11测试：【检测/分割/关键点om均生成成功】

atc ––framework=5 ––model=yolo11s.onnx ––input_format=NCHW ––input_shape="images:1,3,640,640" ––output_type=FP32 ––output=yolo11s ––soc_version=Ascend310P3

成功显示如下：

YOLOv8s静态640*640耗时测试结果：

2.2 动态宽高onnx转换测试

（1）YOLOV8导出宽高动态ONNX 路径：ultralytics-main/ultralytics/engine/exporter.py （2）生成宽高动态Om

atc ––framework=5 ––model=A_onnx/yolov8s_wh.onnx ––output=A_om/yolov8s_wh ––input_format=NCHW ––input_shape="images:1,3,-1,-1" ––dynamic_image_size "640,640;960,960;1024,1024;1280,1280;1536,1536;2048,2048" ––soc_version=Ascend310P3

YOLOv8s动态宽高640*640耗时测试结果：【存在om尺度检查机制，推理速度更慢】