摘要：基于CANN的多路極致性能目標檢測最佳實踐設計解密，
本文分享自華為云社區《基于CANN的AI推理最佳實踐丨多路極致性能目標檢測應用設計解密》，作者： 昇騰CANN ，
當前人工智能領域，最熱門的無疑是以ChatGPT為代表的各種“新貴”大模型，它們高高在上，讓你無法觸及，但在人們的日常生活中，實際應用需求最大的還是以Yolo模型為代表的目標檢測“豪強”，它們每天都在以各種方式落地、應用于我們日常生活的方方面面，
目標檢測是計算機視覺領域的一項關鍵技術，它的任務是找出影像中所有感興趣的目標，確定它們的類別和位置，隨著人工智能潛移默化地滲入人們的生活中，各行各業競相通過引入目標檢測等技術打開市場空間，關于目標檢測的各類人工智能需求也奔涌而來，比如：
- 在交通領域，目標檢測可以用來檢測道路上的行人、車輛、交通標志等物體，提升行駛安全和通行便利性，
- 在安全領域，目標檢測可以用來檢測關鍵特征、特定行為或者可疑物體，以便快速發現和識別安全威脅，
- 在醫療領域，目標檢測可以用來識別身體部位、病灶、心電圖、CT影像等，以便快速輔助診斷，
- 在生活領域，目標檢測可以用于智能購物、智能家居等場景，提升人們生活的便利性，
但AI應用開發門檻高，周期長，各類AI軟體堆疊理解成本高、AI演算法模型與業務結合難度高、對開發人員的技能要求也較高，如何提升AI推理應用的開發效率，降低開發門檻，是亟需改善的現狀，為此，昇騰CANN技術專家設計和開發了針對目標檢測應用的最佳實踐，讓開發者可以在昇騰平臺上快速部署目標檢測應用，輕松獲得幾十甚至上百路的檢測效果，下面我們就來詳細拆解一下這個實踐的設計思路，
基礎應用分解
我們首先從一個基礎的目標檢測推理應用場景開始，推理流程通常包含如下幾個部分：
GPU AI推理業務流程
- 資料輸入是攝像頭獲取的視頻資料流，一般以H.264格式為主，
- 然后通過FFmpeg軟體，將連續的視頻流進行拆幀和解碼，
- 下一階段是對解碼后的影像進行預處理，通常使用OpenCV對影像進行縮放，得到模型需要的影像規格，
- 模型推理環節，用戶可以選擇的方式比較多，比較典型的是使用TensorRT進行推理應用開發，
- 目標檢測后處理需要進行NMS計算，進行圖片畫框等操作，
- 資料輸出階段，用戶根據需要實作一個結果呈現形式，
推理功能適配
將上面介紹的目標檢測應用遷移到昇騰平臺，開發者僅需關注“推理”環節的適配，包括如下兩個步驟：
- 將推理模型檔案（onnx模型或pb模型）通過ATC工具轉化為昇騰平臺專屬的離線om檔案，
- 使用昇騰AscendCL語言開發模型加載和模型執行的邏輯，
基于CANN的AI推理業務流程
完成如上兩個環節后，推理應用的功能就已經遷移到昇騰平臺了，這時若整體的推理性能未達到理想預期，就需要進入性能優化提升階段，
性能提升方式一：使能DVPP硬體的高效編解碼能力
DVPP（Digital Vision Pre-Processing，數字視覺預處理）是昇騰AI處理器內置的影像處理單元，通過AscendCL媒體資料處理介面提供強大的媒體處理硬加速能力，主要包括以下功能：
- VPC（Vision Preprocessing Core）：處理YUV、RGB等格式的圖片，包括縮放、摳圖、色域轉換等，
- JPEGD（JPEG Decoder）：JPEG壓縮格式→YUV格式的圖片解碼，
- JPEGE（JPEG Encoder）：YUV格式→JPEG壓縮格式的圖片編碼，
- VDEC（Video Decoder）：H264/H265格式→YUV/RGB格式的視頻碼流解碼，
- VENC（Video Encoder）：YUV420SP格式→H264/H265格式的視頻碼流編碼，
- PNGD（PNG Decoder）：PNG格式→RGB格式的圖片解碼，
Ascend 310 AI處理器邏輯架構中DVPP位置
開發者可以通過DVPP對影像進行硬體解碼和處理，提升影像處理效率，另外，DVPP和執行推理的計算單元AI Core是完全獨立的硬體單元，無需擔心使用DVPP后會對推理執行的性能產生影響，
基于CANN的AI推理業務流程——使用DVPP進行資料預處理
性能提升方式二：增加推理前后資料并行，讓推理步驟一刻不停
昇騰平臺采用異構計算架構，所以要充分利用計算核心AI Core的超強能力，就需要保證AI Core計算需要的資料能夠持續不間斷供給，同時能夠無等待輸出，為了實作此能力，可以在資料預處理→模型推理，模型推理→資料后處理模塊間通過佇列的機制，增加推理模塊的并行流水，
基于CANN的AI推理業務流程——通過佇列增加推理并行流水
同理，在FFmpeg視頻拆幀和DVPP處理之間，也可以使用佇列，進一步增加并行情況，但需要注意推理側的佇列資料會消耗硬體記憶體，所以需要要合理設定，
性能提升方式三：多執行緒并發，持續釋放AI Core性能
多執行緒是提升硬體資源利用率的重要手段，通過多執行緒的支持，可以實作多路不同源的視頻輸入；針對服務器多卡的場景，同樣支持多個卡并行執行，充分釋放昇騰軟硬體的性能，
基于CANN的AI推理業務流程——多執行緒并發
基于目標檢測最佳實踐，開發者可輕松實作已有AI推理應用到昇騰平臺的遷移，并輕松達成高性能，開發者也可以參考此實踐快速上手AI開發，玩轉昇騰平臺推理應用，未來，CANN將持續致力于應用開發的易用性提升，不斷滿足開發者的訴求，
點擊Link，獲取多路高性能目標檢測最佳實踐原始碼，
點擊關注，第一時間了解華為云新鮮技術~
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/556793.html
標籤：其他
上一篇：中國對鎵和鍺實施出口管制：全球半導體行業的新挑戰與機遇
下一篇：返回列表