1. 在EasyDL平台上完成训练并发布部署包。

2. 在运行环境验证部署包的运行效果。

3. 通过SDK或服务接口将模型嵌入到用户程序中。

1. 打开EasyDL官网（https://ai.baidu.com/easydl/），选择合适的目标任务类型，这里我们以图像分类任务为例。

1. 在EasyDL图像分类的操作台中创建模型，点击训练模型，依次选择「EasyEdge本地部署」-「通用小型设备」，然后根据对精度或者性能的侧重选择适合场景的算法，就可以开始训练。

1. 训练完成后点击上图中的「申请发布」，然后如下图所示，选择「EasyEdge-纯离线服务」，再选择「华为昇腾Atlas开发板」，点击「发布」，将模型发布为专项适配昇腾310的SDK服务。

1. 发布完成后，在图中位置点击「下载SDK」，同时在百度智能云控制台申请序列号用于后续本地部署时联网授权。

1. 下载SDK并拷贝到本地，并从控制台获取EasyDL的测试序列号即可开始在Atlas 200 DK上的部署流程。首先，在本地解压SDK文件，进入Demo文件夹目录，运行build_and_run.sh一键编译并生成Demo：

1. 然后设置Demo运行所需要依赖库搜索路径：

1. 运行Demo；在运行程序时，需要在终端输入输入「Demo文件 模型地址 输入图片地址 序列号」，如图可见，输入图片被识别为“dog”的概率为0.998。

1. 同步接口使用流程

// step 0: 设置序列号
global_controller()->set_licence_key("set your license here");

// step 1: 配置模型资源目录
AtlasConfig config; 
config.model_dir = {模型文件目录};

// step 2: 创建并初始化Predictor； 
auto predictor = global_controller()->CreateEdgePredictor(config);
int ret = predictor->init();
# 若返回非0，请查看输出日志排查错误原因。
auto img = cv::imread({图片路径});
// step 3: 预测图像
std::vector<EdgeResultData> result2;
predictor->infer(img, result2);
# 解析result2即可获取结果

1. 异步接口使用流程

// step 0: 设置序列号
global_controller()->set_licence_key("set your license here");

// step 1: 配置模型资源目录
AtlasConfig config; 
config.model_dir = {模型文件目录};

// step 3: 创建Predictor；这这里选择合适的引擎
auto predictor = global_controller()->CreateEdgePredictor(config);

// step 4: 设置异步回调
predictor->set_result_handler(YOUR_HANDLER);

// step 5: 初始化
int ret = predictor->init();
# 若返回非0，请查看输出日志排查错误原因。

// step 6: 预测图像
auto img = cv::imread({图片路径});
color_format = kBGR;
float threshold = 0.1;

uint64_t seq_id;
predictor->infer_async(img, color_format, 0.1, nullptr, seq_id);
# YOUR_HANDLER里面有seq_id的回调结果

1. 设置序列号

virtual int set_licence_key(const std::string& license) = 0;

1. 日志配置

EdgeLogConfig log_config;
log_config.enable_debug = true;
global_controller()->set_log_config(log_config);