本文旨在为已购买IVP02E盒子的用户提供设备端的部署指南，使用此指南的前提：在开发系统上已安装搭建好相应的框架；已完成模型的处理，包括：模型量化、模型转换等；且已完成代码工程的编译，并通过相应框架生成设备端适配的可执行程序，具体的操作流程请参考相应的《开发环境搭建指南》完成系统环境搭建。

开发环境：

➢操作系统及架构：Ubuntu 18.04 x86_64

➢内存：大于4G

➢储存空间：大于10G

➢系统语言：en_US.UTF-8（MindStudio）

➢编译器：g++或aarch64-linux-gnu-g++

➢python及依赖的库：python3.7.5

➢边缘计算盒子型号：IVP02E

声明——IVP02E内包含NNN以及SVP_NNN两个算力核，适配昇腾以及SVP架构，架构图如下：

现在开始进行设备端环境部署！

步骤1：安装CH340驱动；

步骤2：设备端插入网线、电源线、且通过Type-C线连接电脑；

步骤3：连接后，要在设备管理器查看是否连接成功，并记录端口号

步骤4：通过串口工具连接设备端，可使用MobaXterm、Xshell等工具，选择端口号，bps为115200；

步骤5：连接设备端后，执行命令加载设备端驱动及ko文件，./insmod.sh以及./init.sh；

步骤6：根据连接的网口配置ip地址以及网关地址

ifconfig eth0 xxx.xxx.xxx.xxx netmask 255.255.255.0 up  // ip地址，请自行填入

执行route命令，进行网关配置

route add default gw xxx.xxx.xxx.xxx  // 网关地址，请自行填入

配置完毕后，需要ping通本机的ip；

步骤7：yolov5网络模型需要开发者自行准备，因昇腾框架暂不支持pt模型的转换，所以需要开发者下载yolov5-master并通过脚本把pt模型转换为onnx模型；

参考命令：

python3.7.5 models/export.py --weights yolov5ts.pt --img 640 --batch 1

步骤8：通过MindStudio工具启动ATC功能进行模型转换，把yolov5的onnx模型文件转换为SoC设备端识别的离线模型（.om模型），把转换后的模型放入工程文件中，并进行编译生成可执行程序；

步骤9：需要在虚拟机以及设备端上安装nfs，并且把编译后的工程文件及所需的动态库放在nfs文件夹下，之后在设备端通过nfs挂载到虚拟机的文件夹；

参考命令：

mount -t nfs ip地址:/xxx/xxx/xxx /mnt -o nolock

ip地址为您虚拟机的IP地址

/xxx/xxx/xxx为您虚拟机内nfs文件夹挂载路径

步骤10：声明SDK包内动态库；

参考命令：

export LD_LIBRARY_PATH=/mnt/mpp/out/lib/npu

export ASCEND_AICPU_KERNEL_PATH=/mnt/mpp/out/lib/npu

声明路径为sdk包内mpp文件夹下动态库的路径

步骤11：Yolov5样例共有3个功能

➢0.识别输入数据并打印相关信息

➢1.多线程识别输入数据并打印相关信息

➢2.使用MMZ内存进行动态批次识别输入数据并打印相关信息

步骤12：执行命令进行推理后会打印相关数据；

./sample_npu_main 0

以下为输出示例

步骤13：配置了profiling相关参数的代码后，模型推理完成时会在工程目录下生成一个JOB文件夹，该文件夹内记录了模型推理的性能指标；

步骤14：采集完成后需要执行脚本进行解析性能指标，需要进入到msprof下执行脚本，解析后会在JOB文件夹下生成sqlite文件夹，里面包含了各性能指标的db文件；

参考命令：

python3.7.5 msprof.py import -dir /home/hyq/rootfs/npu2 /src

步骤15：得到解析坐标后，执行相应命令即可导出指标为可视化表格；

参考命令：

python3.7.5 msprof.py export summary -dir /home/hyq/rootfs/npu2/src --format csv

步骤16：以下为op_summary的表格示例，该表格内记录了每一层算子的时间、推理耗时、调用接口耗时等性能指标。

至此，IVP02E智能视频分析边缘计算盒子的设备端环境部署成功！