昇腾 NPU 上手：ResNet-50 从 ONNX 到 OM 的完整踩坑记录

环境：Ascend 910B2C + CANN 8.5.1

目标：把 resnet_50.onnx 转成 resnet_50.om，在 NPU 上跑起来，并和转换前的 ONNX 结果做对比。

最近在昇腾机器上跑了一次经典的 ResNet-50 转换流程。看起来只是「ONNX → OM → 推理」三步，实际踩了不少坑：Python 依赖、opset 版本、精度对比方式都不简单。本文把完整过程记下来，方便以后自己复用，也希望帮到同样入门的同学。

1. 最终产物

文件	说明
`resnet_50.onnx`	ONNX Model Zoo 的 ResNet-50 v2（约 98MB）
`resnet_50.om`	ATC 转换后的昇腾离线模型（约 50MB）
`run_resnet50_om.py`	ACL Python 推理脚本

模型 I/O：

输入：data，float32，[1, 3, 224, 224]（NCHW）
输出：[1, 1000]（ImageNet 1000 类 logits）

2. 环境确认

先确认 NPU 和 CANN 是否正常：

bash 复制代码

npu-smi info
which atc
source /usr/local/Ascend/ascend-toolkit/set_env.sh

本次机器信息：

NPU：910B2C
CANN：8.5.1
转换时 soc_version：Ascend910B2C

3. 下载 ONNX 模型

从 ONNX Model Zoo 下载 ResNet-50 v2：

bash 复制代码

cd /home/compiler_projects

curl -L -o resnet_50.onnx \
  "https://media.githubusercontent.com/media/onnx/models/main/validated/vision/classification/resnet/model/resnet50-v2-7.onnx"

这个模型有两个小特点，后面转换会碰到：

opset = 7（比较老）
权重被写在 graph.input 里 （老式 ONNX 写法），真正的网络输入只有 data

4. ONNX → OM（ATC）

4.1 标准命令

bash 复制代码

source /usr/local/Ascend/ascend-toolkit/set_env.sh

atc --model=resnet_50.onnx \
    --framework=5 \
    --output=resnet_50 \
    --soc_version=Ascend910B2C \
    --input_format=NCHW \
    --input_shape="data:1,3,224,224" \
    --log=error

参数含义：

--framework=5：ONNX
--soc_version：必须和芯片匹配
--input_shape：静态 shape；这里把动态 batch 固定成 1

成功后会生成 resnet_50.om。

4.2 坑 1：`No module named 'numpy'`

第一次跑 ATC 直接失败：

text 复制代码

Environment_Error_Import_Python_Module_Failed(EC0010):
ModuleNotFoundError: No module named 'numpy'

原因：ATC 编译算子时会走 TBE（Python），它用的是 /usr/bin/python3，不是你日常装包的那个 Python。

即使 /usr/local/python3.11.xxx 里有 numpy，ATC 也看不到。

解决：给 ATC 实际使用的 Python 装依赖：

bash 复制代码

/usr/bin/python3 -m ensurepip --upgrade
/usr/bin/python3 -m pip install 'numpy<2' decorator attrs cloudpickle \
    ml-dtypes psutil scipy tornado sympy

装完 numpy 后，往往还会继续缺 decorator、scipy 等，建议一次性装齐。

4.3 坑 2：所有算子都报 `No operator plugin`

依赖装好后，又出现：

text 复制代码

Not_Supported_Operator(E13010):
No operator plugin is registered for Op: xxx, optype: ai.onnx::7::Conv

连 Conv、Relu 都报不支持，看起来很吓人。查日志后发现：

ONNX 插件其实加载成功了
但 CANN 8.5.1 注册的是 ai.onnx::8 及以上
当前模型是 ai.onnx::7

所以不是「昇腾不支持卷积」，而是 opset 太旧，对不上注册表。

4.4 处理方式：清洗模型 + 提升 opset

先把权重从 graph.input 里摘掉，只保留真正输入 data，并把 batch 固定为 1；再把 opset 提升到 11：

python 复制代码

import onnx

m = onnx.load("resnet_50.onnx")

# 1) 权重 initializer 不再作为 graph input
name_to_input = {i.name: i for i in m.graph.input}
for init in m.graph.initializer:
    if init.name in name_to_input:
        m.graph.input.remove(name_to_input[init.name])

# 2) 动态 batch -> 1
for i in m.graph.input:
    if i.name == "data":
        for d in i.type.tensor_type.shape.dim:
            d.ClearField("dim_param")
            if d.dim_value == 0:
                d.dim_value = 1

# 3) 提升 opset（对本模型直接改 version 即可）
for o in m.opset_import:
    if o.domain in ("", "ai.onnx"):
        o.version = 11

onnx.save(m, "resnet_50_op11.onnx")

然后再转：

bash 复制代码

atc --model=resnet_50_op11.onnx \
    --framework=5 \
    --output=resnet_50 \
    --soc_version=Ascend910B2C \
    --input_format=NCHW \
    --input_shape="data:1,3,224,224" \
    --log=error

这次输出：

text 复制代码

ATC run success, welcome to the next use.

5. 怎么跑 `resnet_50.om`

昇腾侧用 ACL（Ascend Computing Language）加载 OM。核心流程：

acl.init() / set_device
acl.mdl.load_from_file("resnet_50.om")
Host → Device 拷贝输入
acl.mdl.execute(...)
Device → Host 取输出
释放资源

仓库里放了一个可直接跑的脚本 run_resnet50_om.py：

bash 复制代码

source /usr/local/Ascend/ascend-toolkit/set_env.sh
cd /home/compiler_projects

# 随机输入冒烟
python3 run_resnet50_om.py

# 真实图片（需 Pillow，会做 ImageNet 预处理）
python3 run_resnet50_om.py --image cat.jpg

冒烟结果示例：

text 复制代码

model=/home/compiler_projects/resnet_50.om
input dims=[1, 3, 224, 224], bytes=602112
output dims=[1, 1000], bytes=4000
top-5:
  #1: class=490, score=...
  ...

6. 和转换前的 ONNX 对比

转换完最关心的还是：结果有没有漂？

方法很简单：同一份输入，分别用

onnxruntime（CPU）跑 ONNX
ACL 跑 OM

然后比：

max_abs_diff / mean_abs_diff
相对 L2
cosine 相似度
top1 / top5

对比结果（固定随机种子 seed=0）

指标	ONNX vs OM
cosine 相似度	0.999998
相对 L2	0.00175
max abs diff	≈ 0.0097
mean abs diff	≈ 0.0024
top1	一致
top5	5/5 完全一致

top5 类别完全相同：[490, 904, 556, 794, 599]，分数也非常接近。

这类微小数值差通常来自昇腾图编译后的 FP16 混合精度计算，对分类任务基本无感。只要 topk 稳定、cosine 接近 1，就可以认为转换是成功的。

7. 一张流程图总结

text 复制代码

resnet50-v2-7.onnx (opset7)
        │
        ▼
 清洗 input / 固定 shape / 提升 opset→11
        │
        ▼
      ATC 转换
   (soc=Ascend910B2C)
        │
        ▼
   resnet_50.om
        │
        ├──────────────► ACL 推理（NPU）
        │
onnxruntime (CPU) ──────► 同输入对比精度

8. 经验清单

先 source set_env.sh ，否则 atc / ACL 环境变量容易缺。
ATC 用的 Python ≠ 你终端默认 Python ，缺包要装到 /usr/bin/python3 对应环境。
老 ONNX（opset 7）在新 CANN 上可能全员报不支持，先升到 11+。
转换前最好确认：
- 真正输入名（这里是 data）
- 静态 shape
- 权重不要混在 graph.input 里
精度验收别只看单个 logit，cosine + topk 更有参考价值。

9. 参考命令速查

bash 复制代码

# 环境
source /usr/local/Ascend/ascend-toolkit/set_env.sh

# 转换
atc --model=resnet_50_op11.onnx \
    --framework=5 \
    --output=resnet_50 \
    --soc_version=Ascend910B2C \
    --input_format=NCHW \
    --input_shape="data:1,3,224,224" \
    --log=error

# 推理
python3 run_resnet50_om.py
python3 run_resnet50_om.py --image your.jpg

结语

这次把 ResNet-50 在昇腾上跑通后，最大的感受是：

ATC 本身不难，难的是环境对齐和模型版本兼容。

只要把 Python 依赖、soc_version、ONNX opset 这三件事处理好，经典 CNN 转 OM 还是很顺的；再补一个同输入精度对比，心里就踏实了。

如果你也在做昇腾模型迁移，欢迎把你的 soc_version、CANN 版本和报错贴出来一起对一下。

昇腾 NPU 上手：ResNet-50 从 ONNX 到 OM 的完整踩坑记录