---
title: ResNeSt-50
canonical_url: "https://www.modelscope.cn/models/AIBSECO/ResNeSt-50"
md_url: "https://www.modelscope.cn/models/AIBSECO/ResNeSt-50.md"
repository: AIBSECO/ResNeSt-50
last_updated: 2025-11-19
pipeline_tag: image-classification
tasks:
- image-classification
downloads: 6
stars: 0
---
# ResNeSt-50
> ResNeSt-50 - AIBSECO 在 ModelScope 开源的模型。0ResNeSt-50 >模型原始工程，需要自行下载(本模型无需准备此文件夹) weights >存放原始权重，需要自行下载 1scripts >若干脚本，用于保存AI编译器需要的模型、编译后仿真等功能 2compile >AI编译器编译模型时所需要的文件 3deploy >将AI编译器编译出的模型部署到硬件时需要的c++工程
- **Repository**: AIBSECO/ResNeSt-50
- **Tasks**: image-classification
- **Downloads**: 6
- **Stars**: 0
- **Last updated**: 2025-11-19
Source: https://www.modelscope.cn/models/AIBSECO/ResNeSt-50
---
# ResNeSt-50
 
 
# 0. 文件结构说明
AI部署模型需要以下几部分文件
- 0_ResNeSt-50 >模型原始工程，需要自行下载(本模型无需准备此文件夹)
- weights >存放原始权重，需要自行下载
- 1_scripts >若干脚本，用于保存AI编译器需要的模型、编译后仿真等功能
- 2_compile >AI编译器编译模型时所需要的文件
- 3_deploy >将AI编译器编译出的模型部署到硬件时需要的c++工程
# 1. python工程准备
## 1. **模型来源：**
- code：https://github.com/pytorch/vision/blob/main/torchvision/models/ResNeSt-50v2.py
- branch：main
- commit_id：f02caa5
- weights：https://download.pytorch.org/models/ResNeSt-50v2_x1-5666bf0f80.pth
## 2. **保存模型**
**目的：将模型保存成可以被AI编译器编译的形态**
1）根据模型来源中的地址：https://download.pytorch.org/models/ResNeSt-50v2_x1-5666bf0f80.pth ，下载原始weights，存放于 `/weights`文件夹中
注意：
* 有时开源的weights url可能会变更。如果上述weights url失效，请根据原工程相应的branch以及commit版本寻找正确的下载链接
* 若上述weights url永久失效，请联系本模型库相关人员获取权限下载
2）进入1_scripts执行保存模型脚本
```shell
# 在此模型根目录
cd 1_scripts
python 1_save.py
```
**1_scripts提供脚本说明：**
- **环境要求：**AI compiler对**导出框架模型时**使用的**框架版本**有要求。既以下脚本中所有导出模型的脚本`1_save.py `，必须在要求的框架版本下执行，其他脚本不限制。要求的版本：
- **pytorch**：支持pytorch1.9.0、pytorch2.0.1两个版本的原生网络模型文件（.pt格式），以及pytorch框架保存为onnx（opset=17）格式的模型文件（.onnx格式）
- **paddle**：仅支持PaddlePaddle框架保存为onnx（opset=11）格式的模型文件（.onnx格式），不支持框架原生网络模型文件
- **darknet**：支持Darknet框架原生网络模型[GitHub - pjreddie/darknet: Convolutional Neural Networks](https://github.com/pjreddie/darknet)
- 0_infer.py >可以推理一张图并得到最终结果，模型原始权重会从 `/weights `中寻找，需要您预先下载
- 1_save.py >保存模型，保存好的用于AI编译器的模型，会存放在 `/2_compile/fmodel`
- 2_save_infer.py >用保存的模型做前向推理，验证保存的模型与原模型是否一致
# 2.使用AI编译器编译模型
目的： 使用[Icraft AI编译器](https://gitee.com/mxh-spiger/icraft-introduction.git)将上一步保存好的**框架模型**转化为**硬件可部署模型**
- **1）相关命名说明：**
1）**fmodel**：frame model >用于ai编译器的框架模型
2）**imodel**：icraft model >用icraft编译出的模型
3）**qtset**：Quantitative Calibration Set >量化校准集
- **2）确认已安装正确的icraft版本**
检查方法：打开cmd运行：`icraft --version`
若已正常安装则会显示当前icraft版本，例如：
```
Icraft 版本:
* 3.7.1
CLI 版本:
3.7.0.0-a90988f(2412231401)
```
- 3）**执行编译：**
**在 `/2_compile`目录下执行编译：**
```shell
icraft compile config/ResNeSt-50v2_8.toml
```
如果过程顺利，将得到 icraft model（以 `.json` （graph）`.raw`（param）的格式保存）
其中包括编译各阶段产生的中间结果模型和最终用于片上部署的BY模型，直接被保存到: 3_deploy/modelzoo/ResNeSt-50/imodel
# 3. 仿真
通过配置3_deploy/modelzoo/ResNeSt-50/cfg/中yaml文件的sim字段为True实现模型仿真。
```json
imodel:
...
sim: true
...
```
# 4. 部署模型
## 部署环境检查
* 以root账户登录片上系统terminal（ssh或串口皆可），模型库默认的模型存放路径为以下目录，如果没有请预先创建：
```
/home/fmsh/ModelZoo/
```
* 检查板上环境是否正确：
1. 查看环境变量，指令：
`icraft --version`
看打印信息是否如下：
```shell
Icraft 版本:
* v3.7.1
CLI 版本:
3.7.0.0-a90988f(2412231401)
```
2. 若是，在任意目录下输入`icraft-serve`即可打开server
3. 检查icraft和customop安装包版本是否为`arm64`
```shell
# 检查icraft安装包版本
dpkg -l | grep icraft
# 检查customop安装包版本
dpkg -l | grep customop
```
如果依次显示如下信息，则安装版本正确：
```shell
ii icraft 3.7.1 arm64 This is Icraft for arm64
ii customop 3.7.1 arm64 This is Icraft CustomOp for arm64
```
4. 如果环境配置有误，请参考[Part 1_1 2.3.1 片上系统环境 编译环境准备](https://gitee.com/mxh-spiger/tutorial-runtime/blob/tt3.7.1/docs/Part%201_1%20quick-start.md#1%E7%BC%96%E8%AF%91%E7%8E%AF%E5%A2%83%E5%87%86%E5%A4%87-2)进行部署环境配置。
5. 根据此模型使用的硬算子，选择合适的位流，并在板上安装，所用硬算子及可选位流版本可参见本说明文档起始处的状态徽章，位流下载及安装说明请参考[1/4) 其他下载资源](https://gitee.com/mxh-spiger/icraft-introduction/tree/icraft_v3.7.1/#4%E5%85%B6%E4%BB%96%E4%B8%8B%E8%BD%BD%E8%B5%84%E6%BA%90)。
## c++ runtime:
目的：编译c/c++可执行程序，在AI硬件上执行模型前向推理
模型库以ubuntu操作系统为例：
1. **编译环境准备**
- os: ubuntu20.04
- cmake>=3.10
- compiler: aarch64-linux-gnu-g++/aarch64-linux-gnu-gcc
**编译c++程序**
```shell
#在3.1所需的linux编译环境中
cd 3_deploy/modelzoo/ResNeSt-50/build_arm
cmake ..
make -j
```
5. **执行程序**
```
cd /home/fmsh/ModelZoo/modelzoo/ResNeSt-50/build_arm
chmod 777 *
./ResNeSt-50 ../cfg/ResNeSt-50.yaml
```
在io/output中查看结果
# 5. 精度测试
由于精度测试需要遍历一个数据集中的所有图片，因此需要使用上位机作为主控操作系统（demo中是按windows作为上位机操作系统来做的），使用网口连接板子，运行时输入数据会通过上位机经由网口传到片上进行推理。
## 1. 环境准备
若已准备好环境请跳过此部分
**1. 网口调试环境准备**（如果已经准备好网口调试环境则看下一条）
1. 安装ssh
2. 查看或配置板子ip
- 使用串口连接板子
- `vim /etc/rc.local`
- 查看或设置ip
```
#!/bin/bash
ifconfig eth0 192.168.125.171 netmask 255.255.255.0
systemctl start sshd
```
3. 修改本地网络适配器配置
参考配置
- ipv4地址：`192.168.125.2`
- 子网掩码：`255.255.255.0`
- 默认网关：`192.168.125.1`
- 连接速度与双工：100mbps全双工
4. 使用网口或串口进入板上系统打开server
上位机：
```cmd
ssh root@192.168.125.171
```
板上：
确保位于root账户下，执行：
```shell
icraft-serve
```
* 请确保在root账户下执行上述命令
* 设备成功打开示意图
```
root@U:~# icraft-serve
[02/22/24 02:02:00.388] [I] Using port : 9981
[02/22/24 02:02:00.388] [I] synchronous mode
[02/22/24 02:02:00.388] [I] [irpc::port::tcp::_waitNewConn] wait for new connection
```
如果能正确运行则可以继续下一步。
**2.编译环境准备**
请参考[2.1Windows编译环境准备](https://gitee.com/mxh-spiger/tutorial-runtime/tree/rt3.0.0)进行精度测试环境配置。
- os: windows
- [cmake3.28](https://github.com/Kitware/CMake/releases/download/v3.28.1/cmake-3.28.1-windows-x86_64.msi)
- [visualstudio2022](https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=Community&channel=Release&version=VS2022&source=VSLandingPage&passive=false&cid=2030)
## 2. 测试说明
1. **如果使用了icorepost硬算子**（如果未使用则忽略此条）
- 1）修改customop toml
customop toml 既 config\customop\xxmodel.toml
需要将该文件中的`thr_f`配置成0.001
```toml
[ImageMake]
no_imkpad = 0
[DetPost]
thr_f = 0.001 # 阈值
cmp_en = 1 # 是否做阈值比较
groups = 3
anchor_num = 3
position = 5
```
- 2）重新进行模型编译
```shell
icraft compile config/ResNeSt-50v2_8.toml
```
由于测精度程序由上位机控制，生成的imodel不用再复制到板子中
2. **数据集准备**
* 测试数据集下载：[ImageNet](https://image-net.org/download.php)
* 模型测试使用ImageNet数据集的Val部分，测试图片存放于 `3_deploy\modelzoo\ResNeSt-50\io\input`及`3_deploy\modelzoo\ResNeSt-50\io\ImageNet2012_Test5000_imgList.txt`中
* 如需测试其他数据集，需自行将图片存放于`3_deploy\modelzoo\ResNeSt-50.0\io\input`,并准备对应的input.txt
3. **修改 运行时的yaml配置文件**：
运行时需要配置一些模型路径，输入数据，后处理参数等，其配置文件在`3_deploy/modelzoo/ResNeSt-50/cfg/`
测试时使用：`ResNeSt-50_test.yaml`
需要修改：
* imodel中参数：修改精度测试所用模型文件路径`dir`，根据所使用板子ip设置`ip`。
* dataset中参数：更改自己的精度测试数据集路径。
* param中参数：如果模型没有重训，则无需更改，若 重训则需要修改对应部分参数。
4. **编译、执行运行时程序**
```shell
cd 3_deploy/modelzoo/ResNeSt-50
mkdir build_win
cd build_win
cmake ..
cmake --build . --config Release
./Release/ResNeSt-50.exe ../cfg/ResNeSt-50_test.yaml
```
注意：如果使用visualstudio打开sln进行调试，需要右键工程-属性-调试-环境中配置`./Release/ResNeSt-50.exe ../cfg/ResNeSt-50_test.yaml`
5. **使用metrics测试脚本，将保存的测试结果计算出精度指标**
metrics测试脚本使用与配置说明：
- 精度测试脚本存放于：
- 本模型使用`./topn/topn_acc.py`
- result_txt字段设置为片上系统预测结果存放路径
# 6. 模型性能记录
| ResNeSt-50 | input shape | hard time | qt_strategy | 精度 |
| -------------- | --------------- | -------------- | --------------- | ---------------- |