DeepLabV3
DeepLabV3 是一款由 Google 提出的经典语义分割模型。它通过深入探索空洞卷积（Atrous Convolution）的应用，在不增加参数量的前提下扩大了感受野，有效解决了在深度神经网络中处理多尺度物体分割时的空间信息丢失问题。
- 核心特点： 擅长捕捉图像中复杂且细致的边缘信息，具备极强的多尺度目标感知能力，能够实现像素级的精准类别划分，广泛应用于医疗影像分析、自动驾驶环境感知以及卫星图像处理。
- 版本说明： 本案例采用 DeepLabV3 架构。作为语义分割领域的基准模型之一，它利用改进的 ASPP 模块和全局平均池化技术，显著提升了对不同尺寸物体的识别精度。它在保持特征提取深度的同时，能够通过精妙的结构设计还原物体的空间结构，是目前工业界兼顾分割效果与技术成熟度的经典平衡选择。
环境配置
需要提前配置好相关环境。
快速开始
下载模型文件
O6 / O6N
cd ai_model_hub_25_Q3/models/ComputeVision/Semantic_Segmentation/onnx_deeplab_v3
wget -O deeplab_v3.cix https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/ComputeVision/Semantic_Segmentation/onnx_deeplab_v3/deeplab_v3.cix
模型测试
信息
运行前激活虚拟环境！
O6 / O6N
python3 inference_npu.py
完整转换流程
下载模型文件
Linux PC
cd ai_model_hub_25_Q3/models/ComputeVision/Semantic_Segmentation/onnx_deeplab_v3/model
wget -O deeplabv3_resnet50.onnx https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/ComputeVision/Semantic_Segmentation/onnx_deeplab_v3/model/deeplabv3_resnet50.onnx
项目结构
├── cfg
├── datasets
├── deeplab_v3.cix
├── inference_npu.py
├── inference_onnx.py
├── model
├── ReadMe.md
├── test_data
└── Tutorials.ipynb
进行模型量化和转换
Linux PC
cd ..
cixbuild cfg/onnx_deeplab_v3_build.cfg
推送到板端
完成模型转换之后需要将 cix 模型文件推送到板端。
测试主机推理
运行推理脚本
Linux PC
python3 inference_onnx.py --image_path test_data --onnx_path model/deeplabv3_resnet50.onnx
模型推理结果
Linux PC
$ python3 inference_onnx.py --image_path test_data --onnx_path model/deeplabv3_resnet50.onnx
save output: onnx_ILSVRC2012_val_00004704.JPEG
进行 NPU 部署
运行推理脚本
O6 / O6N
python3 inference_npu.py --image_path test_data --model_path deeplab_v3.cix
模型推理结果
O6 / O6N
$ python3 inference_npu.py --image_path test_data --model_path deeplab_v3.cix
npu: noe_init_context success
npu: noe_load_graph success
Input tensor count is 1.
Output tensor count is 1.
npu: noe_create_job success
save output: npu_ILSVRC2012_val_00004704.JPEG
npu: noe_clean_job success
npu: noe_unload_graph success
npu: noe_deinit_context success
