实例讲解昇腾 CANN YOLOV8 和 YOLOV9 适配
内容提要
本文介绍了华为昇腾CANN YOLOV8和YOLOV9的适配过程。首先需要获取YOLOV8的模型文件，并将其转化为.onnx模型。然后在Atlas 500 Pro服务器上进行模型转换。适配代码可以参考开源代码。最后进行编译运行，输出结果为检测到的物体和置信度。适配YOLOV9的过程与YOLOV8类似。
延伸解读
输出张量差异决定后处理改造
YOLOv7输出为[1,25200,85]，YOLOv8为[1,84,8400]，两者维度顺序和数值含义不同。适配时不能直接套用YOLOv7后处理，需按YOLOv8的[1,84,8400]重新解析：8400个预测框，每个框含4个坐标和80个类别概率。代码中通过offset=4跳过坐标，再在80个类别中取最大值作为置信度，这是适配的核心改动点。
模型转换关键参数与AIPP配置
在Atlas 500 Pro上使用atc工具转换时，需指定--soc_version=Ascend310P3，该值可通过npu-smi info查看。--input_shape="images:1,3,640,640"须与onnx输入节点一致。--insert_op_conf=aipp.cfg用于静态AIPP，完成YUV420SP_U8到RGB的色域转换、裁剪和归一化，确保输入图片缩放到640x640，否则推理结果可能异常。
自定义类别数需同步调整
示例代码中classNum固定为80，对应COCO数据集。若使用自定义模型，输出尺寸中的84会变为4加类别数。例如输出为[1,26,8400]时，类别数应为22。适配时需同步修改classNum，否则类别索引和置信度计算会出错。这一细节在迁移到自有数据集时尤其重要。
YOLOv9适配可复用YOLOv8流程
YOLOv9与YOLOv8输出格式一致，均为[1,84,8400]，因此后处理代码无需改动。适配YOLOv9只需在Windows上创建独立环境，克隆YOLOv9代码并安装依赖，用export.py将yolov9-c-converted.pt导出为onnx，再在Atlas服务器上执行相同的atc转换命令生成om模型即可。
Q&A
如何将YOLOV8模型文件转化为.onnx模型？
在Windows上安装YOLOV8环境后，执行python脚本pth2onnx.py，将.pt模型转化为.onnx模型。
适配YOLOV8和YOLOV9的主要步骤是什么？
首先获取模型文件并转化为.onnx模型，然后在Atlas 500 Pro服务器上进行模型转换，最后编译运行代码。
YOLOV8模型的输出数据格式是什么？
YOLOV8模型的输出数据格式为[1, 84, 8400]，其中84表示4个边界框预测值和80个检测类别。
如何在Atlas 500 Pro服务器上执行模型转换？
使用命令atc --model=yolov8n.onnx --framework=5 --output=yolov8n --input_shape='images:1,3,640,640' --soc_version=Ascend310P3。
适配YOLOV9的过程与YOLOV8有何不同？
YOLOV9的适配过程与YOLOV8类似，主要区别在于生成yolov9xx.om模型，其他步骤基本相同。
如何编译和运行YOLOV8适配代码？
下载开源代码后，解压并在src目录下执行cmake .和make命令，生成可执行文件后运行即可。
