YOLACT是一种实时的实例分割的方法。
论文地址: YOLACT: Real-time Instance Segmentation
官方源码: https://github.com/dbolya/yolact
MS COCO，是微软构建的一个包含分类、检测、分割等任务的大型的数据集。使用yolact基于COCO Detection 2017预训练好的80类通用目标检测模型。
MS COCO提供了一些API，方便对数据集的使用和模型评估，您可以使用pip安装
pip3 install pycocotools，并使用COCO提供的API进行下载。
Pytorch的模型在编译前要经过torch.jit.trace，trace后的模型才能用于编译BModel。trace的方法和原理可参考torch.jit.trace参考文档。
同时，您需要准备用于测试的数据。
本例程在${yolact}/scripts目录下提供了相关模型和数据集的下载脚本，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。
chmod +x ./scripts/*
./scripts/00_prepare_test_data.sh
./scripts/01_prepare_model.sh执行后，模型保存至${yolact}/data/models，图片数据集下载并解压至${yolact}/data/images/，视频数据集下载并解压至${yolact}/data/videos/
data
├── images # 测试图像数据文件夹
│ ├── 000000162415.jpg
│ ├── 000000250758.jpg
│ ├── 000000404484.jpg
│ ├── 000000404568.jpg
│ ├── n02412080_66.JPEG
│ └── n07697537_55793.JPEG
├── models
│ ├── BM1684 #
│ │ ├── yolact_base_54_800000_fp32_1b.bmodel
│ │ └── yolact_base_54_800000_fp32_4b.bmodel
│ ├── BM1684X
│ │ ├── yolact_base_54_800000_fp32_1b.bmodel
│ │ └── yolact_base_54_800000_fp32_4b.bmodel
│ └── torch
│ ├── yolact_base_54_800000.pth # 官方原始模型
│ └── yolact_base_54_800000.trace.pt # trace后的模型
└── videos # 测试视频数据文件夹
└── road.mp4trace后的pytorch模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。
模型编译前需要安装TPU-NNTC(>=3.1.0)，具体可参考tpu-nntc环境搭建。
下面我们以yolact_base_54_800000模型为例，介绍如何完成模型的编译。
pytorch模型编译为FP32 BModel，具体方法可参考《TPU-NNTC开发参考手册》的BMNETP使用章节。注：需要获取《TPU-NNTC开发参考手册》，请联系技术支持。
本例程在scripts目录下提供了编译FP32 BModel的脚本。请注意修改10_gen_fp32bmodel.sh中的JIT模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684和BM1684X），如：
执行以下命令，使用bmnetp编译生成FP32 BModel：
# 编译BM1684模型： ./scripts/10_gen_fp32bmodel.sh BM1684
# 编译BM1684X模型： ./scripts/10_gen_fp32bmodel.sh BM1684X
chmod +x ./scripts/*
./scripts/10_gen_fp32bmodel.sh BM1684X执行上述命令会在${yolact}/data/models/BM1684X/下生成yolact_base_54_800000_fp32_1b.bmodel、yolact_base_54_800000_fp32_4b.bmodel文件，即转换好的1684X FP32 BModel。