图像识别也属于是AI的一个非常基本的经典应用。在主打AI功能的BM1684X上自然也是得到了广泛的支持。
算能官方提供了一个叫做Radxa-Model-Zoo的仓库，这个仓库里包含了许多AI方面的应用范例，当然也包含多个图像识别模型。
这个项目中，我会使用YOLOv8来完成图像识别。
先转到project文件夹下，克隆下整个仓库：
cd /data/project
git clone https://github.com/zifeng-radxa/Radxa-Model-Zoo.git
接下来，进入到项目文件夹中。由于我使用的是预加载模型，因此在配置环境前我们需要先把模型和对应的测试文件下载下来。
cd ./Radxa-Model-Zoo/sample/YOLOv8_det
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh
下载完成后，应该可以看到文件夹中出现以下模型：
./models
├── BM1684
│ ├── yolov8s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│ ├── yolov8s_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│ ├── yolov8s_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
│ ├── yolov8s_opt_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│ ├── yolov8s_opt_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│ └── yolov8s_opt_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│ ├── yolov8s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│ ├── yolov8s_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│ ├── yolov8s_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│ ├── yolov8s_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
│ ├── yolov8s_opt_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│ ├── yolov8s_opt_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│ ├── yolov8s_opt_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│ └── yolov8s_opt_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
├── BM1688
│ ├── yolov8s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=1
│ ├── yolov8s_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=1
│ ├── yolov8s_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=1
│ ├── yolov8s_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=1
│ ├── yolov8s_fp32_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=2
│ ├── yolov8s_fp16_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=2
│ ├── yolov8s_int8_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=2
│ ├── yolov8s_int8_4b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=2
│ ├── yolov8s_opt_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=1
│ ├── yolov8s_opt_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=1
│ ├── yolov8s_opt_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=1
│ ├── yolov8s_opt_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=1
│ ├── yolov8s_opt_fp32_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=2
│ ├── yolov8s_opt_fp16_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=2
│ ├── yolov8s_opt_int8_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=2
│ └── yolov8s_opt_int8_4b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=2
├── CV186X
│ ├── yolov8s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=1
│ ├── yolov8s_fp16_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=1
│ ├── yolov8s_int8_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=1
│ ├── yolov8s_int8_4b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=4
│ ├── yolov8s_opt_fp32_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=1
│ ├── yolov8s_opt_fp16_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=1
│ ├── yolov8s_opt_int8_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=1
│ └── yolov8s_opt_int8_4b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=4
│── torch
│ └── yolov8s.torchscript.pt # trace后的torchscript模型
└── onnx
├── yolov8s.onnx # 导出的动态onnx模型
├── yolov8s_opt.onnx # 导出的动态opt onnx模型
├── yolov8s_qtable_fp16 # TPU-MLIR编译时，用于BM1684X/BM1688的INT8 BModel混合精度量化
├── yolov8s_qtable_fp32 # TPU-MLIR编译时，用于BM1684的INT8 BModel混合精度量化
├── yolov8s_opt_qtable_fp16 # TPU-MLIR编译时，用于BM1684X/BM1688的INT8 BModel混合精度量化
└── yolov8s_opt_qtable_fp32 # TPU-MLIR编译时，用于BM1684的INT8 BModel混合精度量化
以及训练和测试数据：
./datasets
├── test # 测试图片
├── test_car_person_1080P.mp4 # 测试视频
├── coco.names # coco类别名文件
├── coco128 # coco128数据集，用于模型量化
└── coco
├── val2017_1000 # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
└── instances_val2017_1000.json # coco val2017_1000数据集关键点标签文件，用于计算精度评价指标
接下来，我们开始配置python环境。创建虚拟环境时，不要忘记链接系统包，这样才可以支持sophon相关的包。
python3 -m venv yolo_venv --system-site-packages
source yolo_venv/bin/activate
pip3 install opencv-python-headless
接着我们可以开始测试一下模型。运行下面测试命令：
python3 python/yolov8_opencv.py --input datasets/test --bmodel models/BM1684X/yolov8s_int8_4b.bmodel --dev_id 0 --conf_thresh 0.25 --nms_thresh 0.7
如果看到下面命令返回，则说明运行成功：
如果看到下面这条报错，则说明没有在当前运行环境中配置库路径。
ImportError: libbmrt.so.1.0: cannot open shared object file: No such file or directory
修复方法也很简单，运行以下命令即可：
export LD_LIBRARY_PATH=/opt/sophon/libsophon-0.5.0/lib:/opt/sophon/sophon-sail/lib/:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/opt/OpenBLAS/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/opt/sophon/sophon-sail/lib/:$LD_LIBRARY_PATH
检测完成后，可以在./results文件夹下看到结果，其中json文件记录了检测到的所有物体；而images文件夹下则是融合了结果框的图片，如下：
同样的，运行成功后，我们来分析一下示例代码，看看在接下来的项目中如何使用。
可以看到，在yolov8_opencv.py中，主要应用的代码写在了main函数中。其中先使用CV2将图片文件解码，然后装入一个列表，再将这个列表作为参数放入yolov8模型中。识别完成的结果放在results中，这是一个列表，每一个元素代表一个识别到的物体，因此使用循环读出。每一个物体对应的属性都可以从det这个列表中读出。因此我们在后续项目使用时，只要用此方法就可以得到所有识别到的结果。
更多回帖
