昇腾CANN模型转换实践指南

发表于 更新于

本文主要讲解在Ubuntu系统上搭建CANN环境并实现onnx到CANN模型的转换实践。

一、开发环境配置

1. 系统准备

  • 推荐系统: Ubuntu 20.04 LTS
  • 换源配置: 
    1
    sudo vim /etc/apt/sources.list
    替换为阿里云镜像源： 
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
    deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse

    deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
    deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse

    deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
    deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse

    deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
    deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse

    deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
    deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse

2. 安装基础依赖

1
2
3
sudo apt update && sudo apt upgrade -y
sudo apt-get install -y gcc g++ make cmake zlib1g zlib1g-dev openssl libsqlite3-dev libssl-dev libffi-dev 
sudo apt-get install -y unzip pciutils net-tools libblas-dev gfortran libblas3 libopenblas-dev libncursesw5-dev

3. Python环境配置

  • 安装Miniconda: 
    1
    2
    wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
    bash Miniconda3-latest-Linux-x86_64.sh -b -u -p $HOME/miniconda3
  • 创建专用环境: 
    1
    2
    3
    4
    conda create -n cann python=3.9
    conda activate cann
    pip3 install --upgrade pip
    pip install attrs numpy==1.17.2 decorator sympy cffi pyyaml pathlib2 psutil protobuf scipy requests onnx

二、CANN Toolkit安装

1. 工具包获取

3. 环境配置

对于Atlas 200 AI加速模块 （RC场景）和Atlas 500 小站(运行环境aarch64架构)来说，当开发环境是一台X86 PC进行环境搭建时，需要在开发环境中安装交叉编译工具 - 安装交叉编译工具: 

1
sudo apt install g++-aarch64-linux-gnu
- 解决共享库问题:
上述安装过程中若出现报错： 
1
libascend_hal.so: cannot open shared object file: No such……
进入到Ascend目录下输入 
1
2
sudo find ./ -name libascend_hal.so  # 查找库路径
sudo cp {找到的路径} /usr/local/lib/  # 拷贝库到共享库目录
进入“/etc/ld.so.conf”,并将include /usr/local/lib添加至文件最后一行后，终端输入以下命令 
1
2
ldconfig # 更新共享库缓存
sudo ldconfig # 更新系统缓存

  • 添加环境变量: 
    1
    2
    echo "source ~/Ascend/ascend-toolkit/set_env.sh" >> ~/.zshrc
    source ~/.zshrc

三、模型转换流程

1. ONNX模型验证

1
2
3
import onnx
model = onnx.load('model.onnx')
print("输入节点:", [input.name for input in model.graph.input])

若此处输出”inputxxxx”，因此于–input_shape中，填入的模型名称为”inputxxxx”

2. atc本地转换（开发环境）

1
2
3
4
5
atc --model=model.onnx \
    --framework=5 \
    --output=model \
    --soc_version=Ascend310B1 \
    --input_shape="inputxxxx:1,3,224,224"

四、昇腾开发板部署

1. 文件传输

将onnx文件传输到昇腾开发板上

1
scp ./model.onnx root@10.0.0.1:/pytroch

2. 板端模型转换

使用ATC工具将onnx转化为om，我这里的昇腾型号是Ascend310B1

1
atc --model=./model.onnx --framework=5 --output=/root --soc_version=Ascend310B1

3. 转换验证

成功输出示例： 

1
ATC run success

常见问题排查

  1. 库文件缺失:
    • 现象：libascend_hal.so: cannot open shared object file:No such……
    • 解决：检查环境变量配置，确认LD_LIBRARY_PATH包含库路径
  2. 输入形状不匹配:
    • 现象：Input shape mismatch
    • 解决：使用Netron工具可视化模型，确认输入节点名称和维度
  3. 算子不支持:
    • 现象：Unsupported op type: XXX
    • 解决：查阅CANN算子清单，考虑自定义算子或模型结构调整

附录：参考资源

  1. CANN官方文档
  2. ATC工具参数详解
  3. 昇腾开发者论坛 ```