似乎一夜之间，人工智能（AI）渗透进了我们的生活，这种渗透力无疑是革命性的。看新闻或者网购时，它根据算法推送你喜欢的内容；出行时，它通过大数据避开所有拥堵的道路；企业办公时，它又化身为智能化与高效率的集合体……从家庭到商业场景，AI不断进步，智能设备快速涌现，它们甚至无需一直连接云端，就已经具备看、听、说、抉择、预测的能力。
 
你或许会问，AI诞生数十年，为何迟迟才落地？这背后的推动力来自于技术能力的指数级增长（如摩尔定律)、智慧的分析引擎及数据激增等。与之相对应的，算力、算法、数据被视为人工智能的“三驾马车”，三者相辅相成，算法是关键，数据是前提，算力是支撑。在过去几年里，我们知道AI比以前使用了更多的算力，如同 OpenAI 最近的一份报告所述，自2012年以来，AI训练运行（从 AlexNet 到 AlphaGo Zero）使用的计算量呈指数增长，为3.5个月的倍增时间（相比之下，摩尔定律有18个月的倍增期），该指标增长了300,000多个（18个月的倍增期仅增长了12倍）。OpenAI 因此得出，计算的改进是人工智能进步的关键因素。
 
正如华为IT产品线副总裁黄瑾最近在2018华为全联接大会(HUAWEI CONNECT)上所说：“算力开启AI的未来”，AI正在改变软件开发的方式，有些人把它叫做软件2.0，例如传统的翻译软件拥有超过50万行的代码，但通过合适的AI训练之后，只需500行代码就能搞定。“如果你有更多的算力来实现更多层的神经网络，那你就会获得更准确的结果。算力会创造新的可能。”
 
然而摆在产业眼前的一个难题是，随着AI应用的普及，传统通过数据中心提供集中式处理的算力，已经不能满足自动驾驶等大带宽、低时延场景的需求。
 
于是，华为Atlas智能计算平台应运而生，它提供了端、边、云的分级计算能力，既为AI应用创造了更多的可能性，也降低了企业应用AI的门槛。
 
Atlas：让AI的算力升维，让AI应用的技术门槛降维
 
提及Atlas，很多人第一印象或许是古希腊神话中的擎天巨神，他用双肩支撑苍天，仿佛有无穷的神力。而华为将自己的智能计算平台取名“Atlas”，背后的寓意呼之欲出：希望它能像擎天巨神一样提供无穷的计算力。
 
华为Atlas智能云硬件平台首次出现于2017华为全联接大会上，当时它使出一系列“杀手锏”——资源池化、异构计算、秒级部署：支持GPU、HDD、SSD、FPGA等资源池化，根据业务模型按需提供硬件资源，提升一半资源利用率，同时降低客户使用成本。
 
与之相比，今年亮相的Atlas智能计算平台有了“升级”，它将华为Ascend（昇腾）系列AI处理器和业界主流异构计算部件，封装成模块、板卡、小站、一体机等产品形态，包括面向端侧的Atlas 200 AI加速模块、面向数据中心侧的Atlas 300 AI加速卡、面向边缘侧的Atlas 500智能小站、及定位于企业领域一站式AI平台的Atlas 800 AI一体机。
 
Atlas从云硬件平台到智能计算平台的演进不难看出，华为对于AI有自己的思考：一是紧盯AI产品的算力，采用智能异构、端边云协同等关键技术，为AI加速。二是丰富产品形态，以适应更多应用场景，形成完整的AI解决方案。华为IT产品线副总裁兼IT智能计算业务部总裁邱隆接受科技行者采访时介绍，“去年的Atlas，是一个服务器；今年的Atlas，是一个基础的异构计算平台，是一个完整的系统”。Atlas的核心价值就在于，它是整个华为的AI全栈底层平台，上层是华为人工智能硬件框架、华为人工智能云的软件平台，再往上是面向行业的人工智能全栈（这部分华为与合作伙伴共同搭建），由此一个完整的AI解决方案就建立了。
 
 
Atlas不仅可以提供人工智能所需的计算能力，还可以做到对于这些计算能力随时进行动态的调整与分配。延伸到AI应用场景也同理，比如企业某些应用需要强大的算力，它可以调配丰富的计算资源；而同时其他应用需要庞大的存储资源，它也可以灵活调度，而这种调度可以做到“秒级”。而且，为了让企业更加方便地获取异构计算服务，让AI“跑在云上”，Atlas也应用于华为公有云中。
 
实际案例中，华为与平安城市合作，利用Atlas硬件平台和人工智能的分布式加速算法，实现了从一千亿量级的图片库中“秒级搜索”，从千亿量级的关系分析中“秒级响应”。
 
用智能计算开启智能世界
 
如上文所述，Atlas用它的“算力”双肩支撑更多的AI应用场景。
 
· Atlas 200 AI加速模块（基于Ascend 310芯片）：半张信用卡大小即可支持16路高清视频实时分析，面向摄像头、无人机等端侧设备部署，功耗仅10W左右。它的主要价值有两处，一是把以前没有人工智能的产品，改造成人工智能的产品；二是一些小产品可以直接内嵌此模块实现人工智能。
 
 
 
 
华为Atlas家族
 
· Atlas 300 AI加速卡：采用标准的半高半长PCIe卡设计，面向数据中心和边缘侧服务器场景。该加速卡支持多种数据精度，单卡即可提供64TOPS INT8计算性能，为深度学习和推理提供更强大算力。
 
· Atlas 500智能小站：集成AI处理能力的边缘产品，机顶盒大小即可实现16路高清视频处理能力，相比业界产品性能提升4倍。智能小站适用于交通、看护、无人零售、智能制造等广阔的领域。
 
“这应该是业界第一款真正能够商用的智能小站。”邱隆说，Atlas 500的优势在于环境适应性好，适合边缘环境部署，云边协同。
 
· Atlas 800 AI一体机（支持Ascend 310、Ascend 910）：在标准框架和编程环境之上，提供经过优化的AI环境，并预安装底层软件库，2小时开箱即用。同时，AI一体机集成华为集群管理、任务调度等管理软件与系统级性能监控系统，可大幅降低企业AI应用门槛。
 
毫无疑问，AI已经且将继续改变我们的生活和工作，而华为正在试图通过Atlas为AI的应用落地按下快进键，或许此时，我们也将更接近普惠的AI。

1、官网上下载有关DDK安装包软件压缩包进行解压并上传至虚拟机上
 
#创建目录
mkdir /home/ubuntu/Atlas500_DDK
#解压DDK包到目录
tar -zxvf IES_DDK_B020.tar.gz -C /home/ubuntu/Atlas500_DDK/
#解压交叉编译工具并且安装交叉编译链
sudo tar -zxvf Euler_compile_env_cross.tar.gz -C /home/ubuntu/Atlas500_DDK/toolchains/
vim /etc/profile
#设置环境变量，最后一行添加以下命令
export PATH=$PATH:/home/ubuntu/Atlas500_DDK/toolchains/Euler_compile_env_cross/arm/cross_compile/install/bin/
source /etc/profile
cat /home/ubuntu/Atlas500_DDK/ddk_info



vi ~/.bashrc
export PATH=/usr/bin:/bin
export DDK_HOME=/home/ubuntu/Atlas500_DDK
export PATH=$PATH:$DDK_HOME/host/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$DDK_HOME/host/lib
source ~/.bashrc

omg -h 

 
 
2、添加软链接
 
cd /home/ubuntu/Atlas500_DDK/lib64
ln -s libssl.so.1.1 libssl.so
ln -s libprotobuf.so.15 libprotobuf.so

 
目录
 
前言
给SD卡烧写镜像
通过读卡器与制卡脚本
通过烧写好的镜像直接制卡
  
Atlas200DK连接Ubuntu服务器（虚拟机）
使用USB连接Atlas与主机
 

 
前言
 
最近需要做一个无人机相关项目，采用华为Atlas200DK作为主控板，目标是在板载AI芯片上跑通目标检测。首先需要给atlas200dk搭建开发环境。
 
给SD卡烧写镜像
 
华为官网给出了两种烧写方式，一种是通过读卡器、制卡脚本和镜像来制作SD卡，另一种是通过已经烧写好的镜像直接搭建（推荐）
 
没有参考资料时，我的直觉就是直接采用烧写好的镜像来搭建，但是Atlas的官方文档并没有直接给出这种方法，因此我先采用了制卡脚本，但烧写失败，后来在gitee的Ascend samples gitee地址里找到了烧写好的镜像。
 
通过读卡器与制卡脚本
 
主要根据华为Atlas 200DK官方开发文档
 该方法需要一个Ubuntu18的主机（可使用虚拟机），以及SD卡读卡器
 
 
首先在ubuntu主机中获取：
 
  
SD卡制作脚本“make_sd_card.py”，“make_ubuntu_sd.sh”
开发者板驱动与运行包
Ubuntu操作系统镜像包
 
 
将SD卡放入读卡器，读卡器USB连接主机
 
 
sudo apt-get update
 
 
pip3 install pyyaml
 
 
sudo apt-get install qemu-user-static binfmt-support python3-yaml squashfs-tools gcc-aarch64-linux-gnu g++-aarch64-linux-gnu
 
 
创建一个制卡目录，例如mkdir ~/mksd，将软件包、镜像、脚本都放到制卡目录下
 
 
获取管理员权限su
 
 
找到SD卡对应的USB设备名称fdisk -l，例如在/dev/sdb下
 
 
运行制卡脚本python3 make_sd_card.py local /dev/sdb
 
 
如果制卡成功，则终端会有提示，如果失败，则进入制卡目录的sd_card_making_log文件夹下查看原因
 
由于我用的虚拟机系统是ubuntu16.04，因此试了几次脚本制卡总会报format /dev/sdb的错误，不知道是系统问题还是SD卡的问题，故放弃
 
通过烧写好的镜像直接制卡
 
该方法在windows系统上可用，下载Etcher烧写工具Etcher官网以及烧写好的镜像，百度云链接：
 https://pan.baidu.com/s/116D5i-5msHy3hyIvoyKbgg
 提取码：kjm7
 
然后选择镜像和SD卡，Flash即可
 
 这种方法制作SD卡成功，插入Atlas200DK后上电，两指示灯亮，表明系统安装成功
 
Atlas200DK连接Ubuntu服务器（虚拟机）
 
除了Atlas（运行环境外），还需要一个Ubuntu服务器做开发环境，我这边选用虚拟机+官方开发环境虚拟机镜像百度网盘连接，提取码t58p，服务器的root和用户密码都是Mind@123
 
使用USB连接Atlas与主机
 
使用Ubuntu虚拟机时，首先要win10系统USB网卡驱动安装
 
安装驱动后，需要修改ubuntu的USB虚拟网卡IP地址，可以采用脚本或者手动方法，我选择手动修改：
 
获得管理员权限su
获取USB网卡名ifconfig -a
打开网络配置文件nano /etc/netplan/01-netcfg.yaml（注：只有Ubuntu-server才有这个文件）
在addresses这一行修改成你需要的IP
netplan apply
 
完成以上步骤后，就能够通过ssh访问Atlas200DK了
 
# 默认Atlas的USB网卡IP是192.168.1.2
ssh HwHiAiUser@192.168.1.2
 
我这边报了一个错误
 
ECDSA host key for 192.168.1.2 has changed and you have requested strict checking.
 
这表明本地保存的ssh信息失效，通过以下命令进行重新连接：
 
ssh-keygen -R 192.168.1.2
ssh HwHiAiUser@192.168.1.2
# The authenticity of host '192.168.1.2' can't be established.
# ECDSA key fingerprint is 53:b9:f9:30:67:ec:34:88:e8:bc:2a:a4:6f:3e:97:95.
# Are you sure you want to continue connecting (yes/no)? 
yes
 
出现HwHiAiUser@davinci-mini说明ssh连接成功
 
接着需要修改Atlas用户和root密码：
 
passwd
# 重设你自己的密码
su - root
passwd
# 重设密码
 
大功告成

 
目录
 
前言
开发环境搭建
1.准备软件包:
2.配置Ubuntu X86系统:
3.安装开发套件包:
4.安装后处理：
5.安装MindStudio：
   
运行环境搭建
1.制作SD卡:
2.连接Atlas 200 DK开发者板与Ubuntu服务器
3.安装CANN运行软件包
4.修改Atlas 200 DK用户密码
   
在华为开发板上运行yolov5项目
1.使用MindStudio连接开发板
2.把yolov5文件用MindStudio打开
3.配置远程项目远程运行
4.解决python版本以及依赖包问题
   
解决检测效率低问题
.pt文件转换为.onnx文件
.onnx文件转换为.om文件
  
 

 
前言
 
当你点进这篇博客时，我相信你最近一定在为atlas200DK这块板子发愁、掉头发。不用问我为什么我知道，因为我最近也是这样，但是最终在不懈努力下还是走通了这块板子。在整个过程中也查阅过csdn上的很多资料，这些资料都为我提供过很多帮助。
 以下是调试这块板子的注意事项:
 如果你刚拿到这块板子准备调通，请不要再csdn的博客上看调试流程，请一定按照华为的atlas开发者套件的官方文档走。因为200DK开发板更新的很快，流程都和需要安装的开发套件包都在随着时间升级。曾经的博客可能在发表时是可以行得通的，但是随着时间的推移就不一定了。本篇博客也不例外，但是至少在我看来提出了一些很具有参考性的意义。
 下面我以Atlas 200 DK开发者套件开发手册(1.0.11.alpha版本)为基础记录我遇到的坑与解决办法。
 
在1.0.11版本的文档中的环境部署指南目录下，有搭建开发环境和搭建运行环境，这是文档中最重要的两节内容。并且这两者的先后顺序都是无所谓的，我在调试200DK算力板时，时先搭建的开发环境再搭建的运行环境。
 
开发环境搭建
 
直接根据1.0.11版本手册走搭建开发环境流程，搭建开发环境时我所基于的操作系统是ubuntu-18.04.5-desktop-amd64.iso版本。
 
 
1.准备软件包:
 
注意事项:一定要注意需要安装的软件包一定要选5.0.3版本(此版本与1.0.11版本手册搭配使用)的。
 
2.配置Ubuntu X86系统:
 
注意事项1:直接跟着这一节的文档走即可。但是要注意创建安装用户那个环节可以省去，如果是虚拟机中的ubuntu系统则直接用装ubuntu时创建的普通用户即可，如果是物理机中的ubuntu系统也直接用装ubuntu时创建的普通用户即可。如果在此处再创建一个单独的安装用户会导致后面安装Python3相关依赖时安装不上。
 注意事项2:在根据文档指导安装完python3.7.5后，里面自带的pip是19.2.3版本的，在后面安装attrs，psutil等python相关依赖时会安装不上，可根据警告提示把pip提升到21.2.1版本。
 
3.安装开发套件包:
 
直接跟着文档走即可
 
4.安装后处理：
 
直接跟着文档走即可
 
5.安装MindStudio：
 
注意事项1:直接跟着文档走即可，如果前面的软件包版本安装对了这步是没问题的。解压mindStudio压缩文件后进入bin目录下用./MindStudio.sh命令启动MindStudio，一般第一次启动不成功直接跟着ubuntu报的提示安装所需要的环境依赖，如下图：
 
 注意事项2：在上面所有提示的需安装依赖安装完毕后再次用命令启动MindStudio会有MindStudio编辑器的弹窗提示缺少java环境变量、那么我们就需要安装java环境
 
安装JDK
 执行sudo apt-get install -y openjdk-8-jdk命令安装JDK
配置JAVA_HOME环境变量
 在任何目录下执行vi ~/.bashrc命令，打开.bashrc文件
 在文件的最后一行后面添加如下内容
 
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 
export PATH=$JAVA_HOME/bin:$PATH
 
运行环境搭建
 
直接根据1.0.11版本手册走搭建运行环境流程，搭建运行环境时根据手册指导操作系统是ubuntu-18.04.05-server-arm64.iso版本。一定要用arm的服务器版本ubuntu
 
 
1.制作SD卡:
 
注意事项:在制SD卡过程中我选用的是读卡器场景，并且是在虚拟机的ubuntu系统上操作的。如果你也是虚拟机需要首先在虚拟机中设置usb兼容性。步骤如下
 
 
将usb兼容性设置为usb3.0
 
 然后再点击虚拟机中的操作系统右下方的USB接入标识断开读卡器与电脑的连接使虚拟机中的操作系统能检测到读卡器。
 
 如果不执行上一步操作，则在制作SD卡的第6步，fdish -l 命令是无法检测到读卡器中的SD卡的
 
 
2.连接Atlas 200 DK开发者板与Ubuntu服务器
 
根据1.0.11文档在这里有3种方案，我选择的是第三种方案——使用网线通过路由器连接Ubuntu服务器
 ，在这种方案中包含了第一种方案通过USB端口直连Ubuntu服务器。直接按照1.0.11文档流程走就行了。
 注意事项:如果使用的是虚拟机中ubuntu系统方式，用USB数据线连接电脑与开发板时一定要注意数据线是能够传输数据的不是只能充电的(大坑，在这里搞了好长时间发现是数据线的问题)，不然使用ifconfig命令检查不到开发板的网卡ens160u2,
 
 也就会导致后续在执行bash configure_usb_ethernet.sh配置了开发板ip地址后，再虚拟机的操作系统中ping不通开发板默认ip地址192.168.1.166
 
3.安装CANN运行软件包
 
直接跟着1.0.11文档走即可
 注意事项:一定要注意驱动和固件的版本与CANN版本的配套关系，截止博客发表日期配套关系如下。
 
 
4.修改Atlas 200 DK用户密码
 
直接跟着1.0.11文档走即可
 
在华为开发板上运行yolov5项目
 
1.使用MindStudio连接开发板
 
此处参考1.0.9教程视频1.3节21分30秒之后的内容
 1.0.9版视频教程
 
2.把yolov5文件用MindStudio打开
 
使用命令打开MindStudio，点击File–>Ascend Training–>Next创建一个模型训练项目。然后再把yolov5相关文件拖到项目下面。完成后目录结构如下:
 
 
3.配置远程项目远程运行
 
1.点击Edit Configuration
 
 
2.点击“+”号创建远程项目
 
 
3.配置相关参数
 创建了Ascend Training下的运行项目后，开始配置参数。
 Run Mode可选择Remote Run即远程运行模式，将ubuntu系统里yolov5项目通过ssh协议远程发送到华为AI算力板中运行，选择Local Run在ubuntu系统中运行。
 

 SSH Connection即需要填写通过ssh协议连接的ip，端口，用户名，密码等信息
 
 Executable即选择需要执行的入口文件
 完成以上配置后点击右三角开始运行项目。
 
4.解决python版本以及依赖包问题
 
在点击右三角运行后会报错显示需要python3.7的版本，检查华为AI开发板中ubuntu系统的python版本发现为python3.6，为了使华为AI开发板中的python版本和虚拟机中的ubuntu系统python版本以及其他环境保持一致，就按照1.0.11文档中的搭建开发环境—>配置Ubuntu x86系统—>按照依赖里的步骤来安装python3.7.5版本。
 
 再次运行项目发现报错Could not import the lzma modle； Your installed Python is incomplete。这是因为python3.7.5这个特定版本的python缺少lzma模块，解决办法参考博客linux系统中python导入pandas提示:Could not import the lzma modle的坑
 接着运行项目发现报错ImportError: libGL.so.1: cannot open shared object file: No such file or directory。这是因为在华为AI开发板的ubuntu-arm版本系统中缺少相关模块，解决办法参考博客
 Ubuntu在import cv2报错libGL.so.1: cannot open
 再次运行，成功!
 
解决检测效率低问题
 
接上，当我完全配置好了交叉编译环境成功运行后，如下图，发现检测效率很低，检测一张图片大概需要5s
 
 探其原因发现是因为我们只使用了开发板的cpu，没有使用开发板gpu，接着阅读1.0.11版本的开发文档发现需要做模型转换，需要使用ATC工具转换模型
 
 根据上图(图片来源于Atlas 200 DK 开发者套件（1.0.9.alpha）)我们需要先将.pt文件转换为.onnx文件
 
.pt文件转换为.onnx文件
 
首先我们要先把yolov5s.pt文件转换为yolov5s.onnx文件。我们可以使用yolov5代码根目录下的models文件中的export.pt文件输出.onnx文件
 使用如下命令会生成yolov5s.mlmodel,yolov5s.onnx,yolov5s.torchscript.pt三个文件
 
python models/export.py --weights yolov5s.pt --img 640 --batch 1
 
.onnx文件转换为.om文件
 
 
环境变量的配置
 参考Atlas 200 DK 开发者套件（1.0.9.alpha)——模型转换准备工作配置相关环境变量
 
 
模型转换命令
 如果第一步环境变量配置没问题，使用如下命令进行模型转换可以得到yolov5s.om文件
 
 
atc --model=onnx/yolov5s.onnx --framework=5 --output=model/yolov5s --soc_version=Ascend310
 
注意事项:如果是在开发环境为虚拟机的情况下转换模型，则需要注意虚拟机内存不能太小，如果虚拟机内存分配太小会报cache相关错误