1. 克隆行人检测模型代码

通过Git命令 git clone https://github.com/akanametov/yolov8-face.git，我们将一个专注于Yolov8模型应用于人脸检测的仓库复制到香橙派AIPro开发板上。尽管仓库主要针对人脸，但我们的目的是调整和使用它来进行行人检测。

2. 下载预训练的行人检测模型权重

访问提供的链接，找到专门针对行人检测优化的预训练权重文件 yolov8n-person.pt 并下载。这个文件包含了模型已学习到的行人特征，是我们进行行人检测任务的起点。

3. 模型格式转换至ONNX

使用命令 yolo export model=yolov8n-person.pt imgsz=1280 format=onnx opset=11，我们将行人检测模型从PyTorch的 .pt 格式转换为ONNX格式的 .onnx 文件。这一步骤增加了模型的兼容性，使其能在更多平台上运行，同时设定图像尺寸为1280x1280，以及使用ONNX操作集版本11。

4. 转换ONNX模型至OM格式

通过运行 atc --framework=5 --model=yolov8n-person.onnx --input_format=NCHW --input_shape=”images:1,3,1280,1280” --output=yolov8n_1x3x1280x1280 --log=error --soc_version=Ascend310B1，我们将ONNX模型进一步转化为昇腾AI处理器所需的OM格式。这一步针对Ascend310B1芯片做了优化，确保模型在硬件上的高效执行。输入尺寸与之前的转换相匹配，确保了转换过程的一致性。

5. 模型推理与结果展示

最后，我们用命令 yolo task=detect mode=predict model=yolov8n-person.pt conf=0.25 imgsz=1280 line_thickness=1 max_det=1000 source=examples/person.jpg 进行行人检测的实时推理。需要注意的是，此处模型路径应更正为转换后的OM模型路径，即 model=yolov8n-person.om。我们设置了置信度阈值为0.25，意味着只有当模型对检测结果有超过25%的置信度时，才会显示结果。通过指定输入图片大小、线条粗细和最大检测对象数，我们可以获得清晰的行人检测输出，在 examples/person.jpg 图片上标出检测到的行人位置。

整个过程展示了如何将预训练的行人检测模型适配到昇腾AI硬件平台，实现了从模型下载、格式转换到实际推理的快速迁移流程。

结果展示

ITPub博客

【玩转香橙派Orange Pi】香橙派AIpro行人检测

最新文章