【寒武纪硬件产品型号】必填*：MLU220

【使用操作系统】必填*：
例如：ubuntu

【使用驱动版本】必填*：
例如v4.20.6

【出错信息】必填*：移yolov5的时候出现警告提示

下面是我做的一些步骤（想将yolov5x6.pt移植到寒武纪MLU220上）

• 在高级的pytorch结构下先转成unzip格式（这个yolov5x6.pt是yolo官网下下载的pt文件）

• 因为 torch 1.3 版本没有 SiLU， Hardswish, 所以我在models文件中添加实现了

把common和yolo的代码改掉了，common代码有的没用的我就删掉了，yolo的代码是将寒武纪给的和yolo官网的合并了一下

下面的是yolo的代码

#基本上都是官网的代码就是在这个函数中添加了一些寒武纪的代码
class Detect(nn.Module):
    stride = None  # strides computed during build
    export = False  # onnx export
    dynamic = False  # force grid reconstruction
    def __init__(self, nc=80, anchors=(), ch=()):  # detection  
        super(Detect, self).__init__()
        self.anchors_list = list(np.array(anchors).flatten())
        self.num_anchors = len(self.anchors_list)
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection  s
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        a = torch.tensor(anchors).float().view(self.nl, -1, 2)
        self.register_buffer('anchors', a)  # shape(nl,na,2)
        self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2))  # shape(nl,1,na,1,1,2)
        self.register_buffer('anchors_cp', a.clone())
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        #self.tmp_shape=[[1,255,80,64],[1,255,40,32],[1,255,20,16]]
        self.img_h = 640
        self.img_w = 640
        self.conf_thres = 0.4
        self.iou_thres = 0.5
        self.maxBoxNum = 1024
       
    def forward(self, x):
        # x = x.copy()  # for profiling
        output = []  # inference output
        self.training |= self.export
        if x[0].device.type == 'mlu':
            for i in range(self.nl):
                x[i] = self.m[i](x[i])  # conv
                y = x[i].sigmoid()
                print('y.shape: ',y.shape)
                output.append(y)
            detect_out = torch.ops.torch_mlu.yolov5_detection_output(output[0], output[1], output[2],
                                                                       self.anchors_list,self.nc, self.num_anchors,
                                                                       self.img_h, self.img_w, self.conf_thres, self.iou_thres, self.maxBoxNum)
                            #  [10, 13, 16, 30, 33, 23,30, 61, 62, 45, 59, 119, 116, 90, 156, 198, 373, 326]
            return detect_out
        if x[0].device.type == 'cpu':
            z = []  # inference output
            for i in range(self.nl):
                x[i] = self.m[i](x[i])  # conv
                bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
                x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

                if not self.training:  # inference
                    if self.dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                        self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
                    if isinstance(self, Segment):  # (boxes + masks)
                        xy, wh, conf, mask = x[i].split((2, 2, self.nc + 1, self.no - self.nc - 5), 4)
                        xy = (xy.sigmoid() * 2 + self.grid[i]) * self.stride[i]  # xy
                        wh = (wh.sigmoid() * 2) ** 2 * self.anchor_grid[i]  # wh
                        y = torch.cat((xy, wh, conf.sigmoid(), mask), 4)
                    else:  # Detect (boxes only)
                        xy, wh, conf = x[i].sigmoid().split((2, 2, self.nc + 1), 4)
                        xy = (xy * 2 + self.grid[i]) * self.stride[i]  # xy
                        wh = (wh * 2) ** 2 * self.anchor_grid[i]  # wh
                        y = torch.cat((xy, wh, conf), 4)
                    z.append(y.view(bs, self.na * nx * ny, self.no))

            return x if self.training else (torch.cat(z, 1), ) if self.export else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        t = self.anchors[i].dtype
        shape = 1, self.na, ny, nx, 2  # grid shape
        y, x = torch.arange(ny, device=d, dtype=t), torch.arange(nx, device=d, dtype=t)
        yv, xv = torch.meshgrid(y, x)  # torch>=0.7 compatibility
        grid = torch.stack((xv, yv), 2).expand(shape) - 0.5  # add grid offset, i.e. y = 2.0 * x - 0.5
        anchor_grid = (self.anchors[i] * self.stride[i]).view((1, self.na, 1, 1, 2)).expand(shape)
        return grid, anchor_grid

• _meshgrid函数因为寒武纪的那个容器版本低，没有这个函数，所以我就在function下写了个这个函数

def _meshgrid(*tensors):
    if has_torch_function(tensors):
        return handle_torch_function(meshgrid, tensors, *tensors)
    if len(tensors) == 1 and isinstance(tensors[0], (list, tuple)):
        # the old interface of passing the operands as one list argument
        tensors = tensors[0]  # type: ignore
    return _VF.meshgrid(tensors)  # type: ignore

• 然后测试了一下，能跑出结果也能画框，但是有一些警告

  

• 所以想问一下需要考虑这个警告问题吗？怎么解决这个警告？还是能跑就放着他不管？