本应用以Atlas 200I DK A2为主要的硬件平台使用MindX SDK模型和pytorch框架的实现目标检测识别的功能(MindX SDK版本: 5.0.RC1, CANN 版本为:6.2.RC1)本应用以MobaXterm为例的SSH工具连接的

目标检测模型推理流程图:

方案实现（模型推理） 目标检测中的工作原理是我们将图像分割成一个 SxS 网格，在每个网格中我们取 m 个边界框。选择具有高于阈值的类概率的边界框并用于定位图像内的对象。 方案实现（配置编译） Atlas 200I DK A2开发者套件配置与连接参考文档： https://www.hiascend.com/document/detail/zh/Atlas200IDKA2DeveloperKit/23.0.RC1/qs/qs_0005.html

配置环境变量: . /usr/local/Ascend/mxVision-5.0.RC2/set_env.sh 开发者套件各接口默认IP地址（开发者套件3个接口的IP地址不能为同一网段。）

sample工程名称为AI-TD ，工程目录如下 ├── main.py # 主程序运行脚本 ├── lb # 定义类别名 ├── rcp # 案例检测图片 ├── det ├── detutils.cpython-39.pyc ├── detutils.py # 模型处理函数 ├── model #模型目录 ├── yolov5s_bs1.o # yolov5om模型 ├── run.png #将图片从JPG格式转换为PNG格式

方案实现（ YOLOv5 检测框架）

YOLOv5的网络结构相比YOLOv4，主要改进点在BackBone，Neck和部分，而Head部分则与v3和v4版本保持一致。 BackBone：重新改进了CSP-DarkNet53，其基本的模块是CBL单元 Neck：相比于YOLOv4的SPP模块（左），SPPF模块将原SPP中的k=5，9，13的MaxPool + skip的分支，替换成了CBL + 串行通过三个最大池化层。 相比于YOLOv4的PANet，YOLOv5使用了CSP-PANet。在原本YOLOv4的上采样concat后用于调整维度的普通卷积，也换成了CSP结构。 这样改进以后，与原来的SPP结构效果相同，训练速度有所提升。

成功案例

python main.py后生成:target detection succeed(目标检测成功) 就说明此时已经运行成功 打开生成后的图片：run.png 可以看到此时已经检测识别成功