通过ModelArts的训练和转换，我们得到了om模型，下面通过Mind Studio部署的过程使模型在Atlas200DK上完成推理，并展示结果。
在mindstudio上新建一个object-detection的工程
- 打开mindstudio，选择File->New->New Project
- 输入工程名，修改Tatget为Atlas DK。并点击Create
-
单击“Create”新建一个Mind工程，DEFAULT模式下新建的Mind工程下会自动生成跟工程名相同的mind文件，如图所示，该文件不可复制、删除、重命名。
A.使用ModelArts的模型转换功能，将om模型从obs下载到本地后，可以直接加载离线模型。 B.将modelarts上训练得到的caffe模型转换为mindstudio支持的om模型
-
选择Tool->Convert Model，进入模型转换界面
-
模型转换
Model Type选择 Caffe; Model File选择训练生成的模型文件，例如：deploy.txt Weight File选择训练生成的权重文件，例如：VGG_VOC0712_SSD_300x300_iter_50.caffemodel
-
单击OK开始模型转换。 模型在转换的时候，会有报错。报错信息如下所示。
此时在DetectionOutput层的Suggestion中选择SSDDetectionOutput，并点击Retry，转换成功后如下图所示。
模型转换成功后，后缀为.om的Davinci模型存放地址为$HOME/tools/che/model-zoo/my-model/xxx。
通过双击新创建的后缀名为.mind的文件（例如object-detection.mind）即可打开Engine流程编排窗口，如图所示。
object-detection网络主要包含如下节点：一个数据集、一个模型、一个数据预处理、一个执行引擎以及一个图片后处理节点。流程编排具体操作步骤如下：
- 添加模型。
在右侧工具栏中选择“ Model > My Models”选择刚刚转换的物体检测模型
详细的模型转化配置参数请参见新增自定义模型组件章节。
- 添加数据集节点。 本示例使用Mind Studio内置的数据集“Datasets > BuiltIn Datasets > Pascal100”。
如果用户想使用自定义数据集，请在右侧工具栏中选择“Datasets > My Datasets”右侧的“[+]”，在弹出的Import Dataset窗口供填写Dataset Name，选择Data Type及Data Source，导入用户自定义数据集。
- 将所需节点放置到对应位置。 在右侧Tool工具栏中，点击“Datasets”项，展开数据集列表，并展开其子项“My Datasets”。 选择Pascal100控件，在该控件上长按鼠标左键，将其拖动进入左侧绘制区域，然后松开鼠标左键完成放置。 按同样的方式放置其他节点：
a. Model > My Models下的object-detection节点。
b. reprocess下的ImagePreProcess节点。
c. Deep-Learning Execution Engine下的MindInferenceEngine节点。
d.Postprocess下的SSDPostProcess节点。
- 配置节点属性 a. 点击“ImagePreProcess”节点。 b. 在右侧“property”中打开Resize开关。 c. 将“resize_width”与“resize_height”都设置为300（默认即为开启，宽与高为224*224），Resize的大小设置应与模型的输入要求保持一致，模型要求大小可以通过模型prototxt文件的“input_param”参数获得，对于本实验ssd模型，输入数据格式要求为300*300
- 建立节点连线关系
在完成所需节点的放置与属性设置后，需要建立其相应的连接关系。
橘黄色的圆形端点为输出端点，可以从该点引出连线，绿色端点为输入端点，可以放置连线。
- 在完成网络结构的编辑之后，点击左下方的“Generate”来生成对应的源码与执行脚本
- 单击画布下方的“Run”，配置硬件平台的IP地址。若使用USB连接Atlas200DK的IP地址为192.168.1.2
鼠标右键点击画布中的SSDPostProcess节点，选择Image Result
