yolo检测适配昇腾Atlas300IDuo笔记

JulyLi2019

13人浏览 · 2026-10-24 19:03:58

JulyLi2019 · 2026-10-24 19:03:58 发布

yolo检测适配昇腾Atlas300IDuo笔记

本文档记录 AI 服务在昇腾（Ascend）Atlas 300I Duo 推理卡上的完整适配过程，涵盖环境配置、驱动/固件/Docker 安装、模型转换、AI 服务集成。

一、环境配置

1. 基础环境

项目	配置
物理机系统	银河麒麟 Kylin V10（aarch64）
CPU	HUAWEI Kunpeng 920 7260 @ 2.6GHz / 128 核
NPU	Atlas 300I Duo × 2

本方案针对 aarch64（鲲鹏） 架构，所有安装包均需使用对应的 aarch64 版本。

2. 基础命令

# 查看 NPU 是否在位（d500 为昇腾 NPU 的 PCI 设备标识）
lspci | grep d500

lspci | grep d500 用于确认物理机上已正确挂载昇腾 NPU 设备。

3. 驱动和固件安装

（1）检查依赖

# 检查 gcc
rpm -qa | grep gcc

# 检查 kernel-devel（需与当前内核版本匹配）
rpm -qa | grep kernel-devel-$(uname -r)

# 检查 make
make -v

安装驱动前需确保 gcc、make、kernel-devel 均已安装且版本匹配，否则驱动编译/安装会失败。

（2）创建驱动运行用户

驱动进程需要以专用用户运行，创建 HwHiAiUser 用户：

groupadd HwHiAiUser
useradd -g HwHiAiUser -d /home/HwHiAiUser -m HwHiAiUser -s /bin/bash

（3）安装固件

# 先用 --check 进行安装前环境自检
./Ascend-hdk-310p-npu-firmware_7.7.0.6.236.run --check

# 通过校验后再执行安装（--install）
./Ascend-hdk-310p-npu-firmware_7.7.0.6.236.run --install

（4）安装驱动

./Ascend-hdk-310p-npu-driver_25.2.0_linux-aarch64.run --full

使用 --full 参数执行完整安装。
安装完成后，如日志提示需要重启，则按要求重启系统。
重启后执行 sudo su，通过 npu-smi info 验证驱动是否安装成功。

（5）验证

# 查看 NPU 型号与工作状态
npu-smi info

驱动与固件下载页：https://www.hiascend.com/hardware/firmware-drivers/community?product=2&model=18&cann=8.2.RC2&driver=Ascend+HDK+25.2.0

4. Docker 安装

昇腾环境通常以容器方式承载推理服务，本步骤安装 Docker 以及昇腾专用容器运行时 Ascend Docker Runtime。

（1）安装 Docker

dnf install -y docker-engine.aarch64

也可通过离线 RPM 包安装，详见下文「离线安装（可选）」小节。

（2）安装 Ascend Docker Runtime

chmod +x Ascend-docker-runtime_7.1.RC1_linux-aarch64.run

# 自检
./Ascend-docker-runtime_7.1.RC1_linux-aarch64.run --check

# 安装
./Ascend-docker-runtime_7.1.RC1_linux-aarch64.run --install

# 重载 daemon 并重启 docker
systemctl daemon-reload && systemctl restart docker

离线安装 Docker（可选）

若无法使用在线源安装 Docker，可以找一台同配置的可以联网的机器，下载docker 安装包，安装包位于 docker-packages/ 目录。

mkdir -p ./docker-packages

dnf install -y --downloadonly --downloaddir=./docker-packages docker-engine.aarch64

在这里插入图片描述

把安装包复制到离线的机器上，可使用本地 RPM 包离线安装，：

cd docker-packages
rpm -ivh --nodeps --force ./*.rpm

# 启动并设置开机自启
systemctl enable docker && systemctl start docker

在线安装失败或内网环境时，优先使用本地 RPM 包离线安装。

若没有同配置且可联网的机器，也可以前往 https://update.cs2c.com.cn/NS/V10/V10SP2/os/adv/lic/base/aarch64/Packages/ 下载对应的 RPM 包尝试安装。

昇腾容器化部署说明：https://www.hiascend.com/document/detail/zh/canncommercial/82RC1/softwareinst/instg/instg_0020.html?Mode=DockerIns&InstallType=local&OS=Debian&Software=cannToolKit
Ascend Docker Runtime容器引擎插件：https://gitcode.com/Ascend/mind-cluster/releases/v7.1.RC1

5. 镜像拉取

镜像仓库：https://www.hiascend.com/developer/ascendhub

（1）拉取 MindIE 推理镜像

docker pull --platform=arm64 \
  swr.cn-south-1.myhuaweicloud.com/ascendhub/mindie:2.1.RC2-300I-Duo-py311-openeuler24.03-lts

（2）创建并启动容器

docker run -itd --privileged --net=host \
  --shm-size 500g \
  --device=/dev/davinci0 \
  --device=/dev/davinci1 \
  --device=/dev/davinci2 \
  --device=/dev/davinci3 \
  --device=/dev/davinci_manager \
  --device=/dev/hisi_hdc \
  --device=/dev/devmm_svm \
  -v /usr/local/dcmi:/usr/local/dcmi \
  -v /usr/bin/hccn_tool:/usr/bin/hccn_tool \
  -v /usr/local/sbin:/usr/local/sbin \
  -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
  -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
  -v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \
  -v /etc/hccn.conf:/etc/hccn.conf \
  -v /data_1/test:/data_1/test\
  -v /etc/machine-id:/etc/machine-id \
  -v /sbin/dmidecode:/sbin/dmidecode \
  -v /dev/mem:/dev/mem \
  --name ai_test1 \
  swr.cn-south-1.myhuaweicloud.com/ascendhub/mindie:2.1.2-300I-Duo-py311-openeuler24.03-lts /bin/bash

关键参数说明：

参数	说明
`--privileged`	以特权模式运行，容器内可访问宿主机所有设备
`--net=host`	使用宿主网络栈，便于服务对外暴露端口
`--shm-size 500g`	设置共享内存为 500G，避免多路并发推理因共享内存不足而失败
`--device=/dev/davinci*`	将 NPU 设备（`davinci0~3`）映射进容器
`--device=/dev/davinci_manager`	映射 NPU 管理设备
`--device=/dev/hisi_hccn`	映射网卡/互联设备
`--device=/dev/devmm_svm`	映射设备内存设备
`-v /usr/local/Ascend/...`	挂载驱动与固件，使容器内可使用 NPU
`-v /data_1/test:/data_1/test`	挂载模型/数据目录
`--name ai_test1`	指定容器名称

容器创建后，后续模型转换、AI 服务运行均在此容器内（或遵循容器挂载路径）进行。

二、模型适配

1. 模型转换

流程为：pt → onnx → om。
本文以yolov7检测为例：下载pt → onnx 转换代码：https://gitee.com/ascend/modelzoo-GPL/blob/master/built-in/PyTorch/Official/cv/object_detection/Yolov7_for_PyTorch

（1）pt 转 onnx

python export.py \
  --weights xxx.pt \
  --grid --simplify \
  --topk-all 1000 --iou-thres 0.65 --conf-thres 0.35 \
  --img-size 1280 1280 --max-wh 1280

（2）onnx 转 om（含 AIPP 加速前处理）

atc --model yolov7_640.onnx \
    --output=yolov7_640_310P3 \
    --framework=5 \
    --soc_version=Ascend310P3 \
    --insert_op_conf=aipp_yolov7_det_640.config

说明：

实测发现预处理部分较慢（约 30ms），通过 --insert_op_conf=aipp_*.config 将通道转换、归一化等耗时操作下沉到 NPU，使用 AIPP 加速后，预处理耗时降至约 8ms。
aipp_yolov7_det_640.config样例：

（3）使用 msit 定位精度问题

为定位漏检现象，使用华为 msit 工具进行精度对比。

# 1. 安装 msit 的 compare 模块
msit install compare

# 2. 使用 msit 进行精度对比
msit debug compare \
  -gm /data_1/test/weights/yolov7_640.onnx \
  -om /data_1/test/weights/yolov7_640.om \
  -c /usr/local/Ascend/ascend-toolkit/latest/ \
  -o /data_1/test/weights/msit_results/ \
  --advisor

精度对比结果显示，ONNX 转 OM 的过程中，第 234 层 将 ONNX 算子 Conv_46, Sigmoid_47, Mul_48 直接融合成 Conv_46Sigmoid_47Mul_48 算子时，首次出现精度损失；此后类似的算子融合均存在精度损失，导致后续损失不断放大。

解决方法：禁用所有算子融合。 新建 fusion_switch.cfg 文件，在其中配置禁用所有算子融合，然后重新转换：

atc --model yolov7_640.onnx \
    --output=yolov7_640 \
    --framework=5 \
    --soc_version=Ascend310P3 \
    --insert_op_conf=aipp_yolov7_det_640.config \
    --fusion_switch_file=fusion_switch.cfg

使用该方式转换出的模型进行测试，不再出现精度损失。

msit 使用说明：https://gitcode.com/Ascend/msit/tree/master/msit/docs/debug/compare
ATC 算子融合开关参数：https://www.hiascend.com/document/detail/zh/canncommercial/82RC1/devaids/atctool/atlasatcparam_16_0053.html

2. 集成 AI 服务

将原使用 pt 推理 和 trt 推理 的部分，统一替换为 om 推理，并修改相应模型加载逻辑即可。

附录

A. 参考资料汇总

主题	链接
驱动与固件下载	https://www.hiascend.com/hardware/firmware-drivers/community?product=2&model=18&cann=8.2.RC2&driver=Ascend+HDK+25.2.0
昇腾 Docker 化部署	https://www.hiascend.com/document/detail/zh/canncommercial/82RC1/softwareinst/instg/instg_0020.html?Mode=DockerIns&InstallType=local&OS=Debian&Software=cannToolKit
镜像仓库	https://www.hiascend.com/developer/ascendhub
YOLOv7-for-PyTorch 官方代码	https://gitee.com/ascend/modelzoo-GPL/tree/master/built-in/PyTorch/Official/cv/object_detection/Yolov7_for_PyTorch
msit 精度对比工具	https://gitcode.com/Ascend/msit/tree/master/msit/docs/debug/compare
ATC 算子融合开关参数	https://www.hiascend.com/document/detail/zh/canncommercial/82RC1/devaids/atctool/atlasatcparam_16_0053.html

B. 关键文件/目录说明

路径 / 文件	说明
`Ascend-hdk-310p-npu-driver_25.2.0_linux-aarch64.run`	NPU 驱动安装包
`Ascend-hdk-310p-npu-firmware_7.7.0.6.236.run`	NPU 固件安装包
`Ascend-docker-runtime_7.1.RC1_linux-aarch64.run`	昇腾容器运行时
`Ascend-mindie_2.1.RC2_linux-aarch64_abi1.run`	MindIE 推理框架
`docker-packages/`	Docker 离线安装 RPM 包
`fusion_switch.cfg`	禁用算子融合的配置文件
`aipp_*.config`	AIPP 前处理加速配置

人工智能6S服务平台

作为“人工智能6S店”的官方数字引擎，为AI开发者与企业提供一个覆盖软硬件全栈、一站式门户。

更多推荐

HarmonyOS 个推集成指南，新手教程

人工智能6S服务平台

证件翻拍、屏幕回放和真人过闸：人证比对的活体要比通行多测什么

鸿蒙人证比对相较通行活体新增证件翻拍、替身持证等攻击面，需分层测试。活体与比对应独立评估，日志须字段分离以利复盘。测试集应区分场景：门禁、消费、核验需差异化配置，避免共用阈值。建议补充证件翻拍、替身持证用例，禁用食堂通过率作凭证。合规表述宜写“可配合送检”，不宣称认证。欢迎分享“摘口罩”是否强制交互设计。

人工智能6S服务平台

【小众仓库探索】第一期·开发者 Johnzchgrd 的 Gitee 仓库

Johnzchgrd 的 Gitee 仓库聚焦 FPGA 开发与仪器控制，包含 Efinity/Vivado 工具的 MCP 接口，支持远程调试与工程管理；两款 Python SDK（SMRF-T 八通道温控、UT70 测量仪）提供数据采集与桌面 GUI，支持实时监控与导出；另有一款鸿蒙地铁计时应用，实现行程记录与统计分析。项目均强调 AI Agent 友好接入与本地化使用。