位置: IT常识 - 正文

yolov5篇---yolov5训练pt模型并转换为rknn模型,部署在RK3588开发板上——从训练到部署全过程(yolov5训练参数说明)

编辑:rootadmin
yolov5篇---yolov5训练pt模型并转换为rknn模型,部署在RK3588开发板上——从训练到部署全过程 yolov5训练pt模型并转换为rknn模型,部署在RK3588开发板上——从训练到部署全过程一、任务介绍二、实验过程2.1 使用正确版本的yolov5进行训练(平台:x86机器ubuntu22.04系统)2.2 best.pt转换为best.onnx(平台:x86机器ubuntu22.04系统)2.3 best.onnx转换为best.rknn(平台:x86机器ubuntu22.04系统)2.3.1 环境准备和工具包安装2.3.2 onnx转换为rknn2.4 RK3588部署rknn实现NPU加速(平台:aarch板子Linux系统)3. 3588平台部署一、任务介绍

推荐整理分享yolov5篇---yolov5训练pt模型并转换为rknn模型,部署在RK3588开发板上——从训练到部署全过程(yolov5训练参数说明),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolov5讲解,yolov5训练参数说明,yolov训练,yolov5讲解,yolov训练,yolov5 教程,yolov1训练过程,yolov训练,内容如对您有帮助,希望把文章链接给更多的朋友!

  瑞芯微RK3588是一款搭载了NPU的国产开发板。NPU(neural-network processing units)可以说是为了嵌入式神经网络和边缘计算量身定制的,但若想调用RK3588的NPU单元进行推理加速,则需要首先将模型转换为**.rknn格式**的模型,否则无法使用。

  这次我们的任务是将yolov5训练得到的pt模型,一步步转换为rknn模型,并将rknn模型部署在搭载RK3588的StationPC M3主机上,使用NPU推理。(官网NPU教程:NPU使用 — Firefly Wiki)查阅资料和官网后发现转换和使用过程分以下几步,首先总结给大家,后文细说:

1.使用正确版本(v5.0)的yolov5进行训练得到pt模型;

2.将pt模型使用yolov5工程中的export.py转换为onnx模型;

3.将onnx模型使用rknn-toolkit2中onnx文件夹的test.py转换为rknn模型;

4.在板子上使用rknpu2工具调用rknn模型,实现NPU推理加速。

  接下来进行详细介绍。

二、实验过程2.1 使用正确版本的yolov5进行训练(平台:x86机器ubuntu22.04系统)

  人菜就要跟着官方教程做,请看官方教程:

rknn-toolkit/examples/pytorch/yolov5 at master · rockchip-linux/rknn-toolkit · GitHub

  需要指出的是,虽然我们后面要使用的是rknn-toolkit2工具进行模型转换,但教程却在rknn-toolkit工程中,github二者的父目录如图:

  进入rknn-toolkit工程,浏览至/example/pytorch/yolov5,在README中赫然写着:   这就是我们本次要使用的“正确版本的yolov5” ,怕麻烦的读者请一定按照这个id去yolov5官网找到工程并克隆下来。进入yolov5官网GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

git clone 获取指定分支的指定commit版本

git clone https://github.com/ultralytics/yolov5cd yolov5git reset --hard c5360f6e7009eb4d05f14d1cc9dae0963e949213

  非常棒,至此我们已经找到了正确版本的yolov5!接下来就是把代码克隆到本地或者云服务器,开始训练自己的pt模型;此处实际上是yolov5 5.0版本的工程,其中未包含预训练模型yolov5s.pt,需要我们自行下载,在releasesl链接中找到V5.0下载yolov5s.pt,链接如下:

https://github.com/ultralytics/yolov5/releases

关于yolov5的运行环境配置、参数修改和训练命令,网上教程很多,满足package的要求,可以开始训练收敛即可,不作为本文重点。最终在经过若干轮训练后,我们得到了自己的last.pt模型,本部分告一段落。

2.2 best.pt转换为best.onnx(平台:x86机器ubuntu22.04系统)

(1)   此处依然参考rknn-toolkit工程中的教程进行转换,切记以下步骤!!!

注意:在训练时不要修改yolo.py的这段代码,训练完成后使用export.py进行模型导出转换时一定要进行修改,不然会导致后面的rknn模型转换失败!

(2) 修改export.py

找到 torch.onnx.export 所在行  

修改后将last.pt移动至export.py同一文件夹下,在命令行调用以下命令:

python export.py --weights last.pt --img 640 --batch 1 --include onnxyolov5篇---yolov5训练pt模型并转换为rknn模型,部署在RK3588开发板上——从训练到部署全过程(yolov5训练参数说明)

我们便可以得到成功转换的模型last.onnx。

2.3 best.onnx转换为best.rknn(平台:x86机器ubuntu22.04系统)2.3.1 环境准备和工具包安装

  有了以上的last.onnx模型作为基础,现在可以正式开始rknn模型的转换了。此处的转换工具rknn-toolkit2只能在Linux系统上运行,这里我使用的是本机Ubuntu22.04。在上文提到的链接中下载rknn-toolkit2,下载后的文件夹如图:

  首先安装rknn-toolkit2的环境, 其环境要求在./doc/requirements_cp38-1.4.0.txt中,这里我使用的是anaconda创建的python3.8虚拟环境,创建环境并命名为rknn_3588,使用pip安装requirements_cp38-1.4.0.txt中的包

pip install -r requirements_cp38-1.4.0.txt

环境满足需求后便可以安装rknn-toolkit2工具包了,浏览至**./packages**中,输入以下命令:

pip install rknn_toolkit2-1.4.0_22dcfef4-cp38-cp38-linux_x86_64.whl

提示安装完成后我们可以检查是否安装成功,在终端中运行python,输入:

from rknn.api import RKNN

若不报错说明我们的工具包已经安装成功,之后便可进行rknn模型的转换了~

2.3.2 onnx转换为rknn

  在rknn-toolkit2工程文件夹中浏览至 ./examples/onnx/yolov5,将我们在2.2中转换得到的last.onnx复制到该文件夹下,修改该文件夹下的test.py中的内容为自己模型的名字,要修改的地方如下:

在这个test.py的main函数中(在第230行附近)可以了解到这个python文件的作用:

【 配置——加载onnx模型—导出rknn模型——rknn模型推理——后处理——输出结果】

最终弹窗得到post process result,若结果正确,说明我们的rknn模型转换成功了!这里的test.py构建了一个虚拟的NPU运行环境,模拟在RK3588上真实运行的情况。结果正确说明离最终完成任务只差部署在板子上这一步了。

这时在当前文件夹**./example/onnx/yolov5中可以看到生成的last.rknn**模型。至此,我们离胜利就不远了。

2.4 RK3588部署rknn实现NPU加速(平台:aarch板子Linux系统)

  终于RK3588板子登场的时候了,但如果它还是原生的安卓系统,请按官网教程给它安装一个Linux系统吧。我这里使用TF卡烧录安装了Ubuntu系统。

  依然找到官网,下载其中的rknpu2工具,链接如下:https://github.com/rockchip-linux/rknpu2

3. 3588平台部署

在3588的主目录上获取官方demo

git clone https://github.com/rockchip-linux/rknpu2.git

进入yolov5目录

cd /home/ptay/rknpu2-master/examples/rknn_yolov5_demo

修改include文件中的头文件postprocess.h

#define OBJ_CLASS_NUM 3 #这里的数字修改为数据集的类的个数

修改model目录下的coco_80_labels_list.txt文件, 改为自己的类并保存

xxxxxxxxx

将转换后的rknn文件放在model/RK3588目录下

编译,运行shell

bash ./build-linux_RK3588.sh

成功后生成install目录

cd install/rknn_yolov5_demo_linux

在model目录下放入需要推理的图片

运行

./rknn_yolov5_demo ./model/RK3588/last.rknn ./model/0625_xx_005.jpg

注:后面的图片用的全路径,因为当前的相对路径识别不到(主要是看图片所在的位置)

在rknn_yolov5_demo_linux获取到结果

参考: https://blog.csdn.net/m0_57315535/article/details/128250096 https://blog.csdn.net/m0_51714298/article/details/125916417

本文链接地址:https://www.jiuchutong.com/zhishi/285121.html 转载请保留说明!

上一篇:亨茨维尔附近绿色山公园中的Cambron Covered Bridge,阿拉巴马州 (© Jens Lambert/Shutterstock)(亨茨维尔机场)

下一篇:马蹄莲的养殖方法(马蹄莲的养殖方法和注意事项视频)

  • 金蝶能够反年结账吗
  • 房产税土地使用税新政策消息2023
  • 美元利息结汇时结汇项目是什么
  • 水果销售公司简介
  • 甲供材和清包工的账务处理
  • 可变现净值与公允价值孰低
  • 金税三期后企业没活路
  • 货拉拉电子货票收款凭证是发票吗
  • 收到的货品与实体不符
  • 增值税专用发票抵扣期限
  • 工业用地厂房要交契税吗
  • 新成立的分公司怎么样
  • 企业租车费用怎么处理方法
  • 住宿费的普通发票怎么开
  • 增值税附加税减半征收政策
  • 印花税计算公式例子
  • 职工福利费和教育费的计提比例
  • 本年利润结转到利润分配是每月都结转还是年底结转
  • 企业存货跌价准备一经计提在以后会计期间不得转回
  • 内插法计算内部收益率公式
  • 水电费的增值税计入什么科目
  • 企业自然人电子税务局怎么申报
  • 欠款利息收入如何入账
  • 公司章程签署
  • 商会收到的会费要交企业所得税
  • springboot上传文件大小设置
  • 虚拟机vm怎么用
  • 生产提供什么产品
  • 将自产的应税消费品对外捐赠
  • 文件夹字体怎么变大
  • 潘塔纳尔湿地的成因
  • php中array_multisort对多维数组排序的方法
  • 哪些可以作为原始凭证
  • 工业企业应付会计工作内容
  • 小企业遵循什么会计准则
  • 怎么分析一个企业的营销策略
  • 存货盘盈盘亏的账务处理
  • php+mysql+jquery实现简易的检索自动补全提示功能
  • php框架零基础入门
  • php checkbox使用
  • vue路由跳转的三种方法
  • 27岁零基础转行做网络工程师
  • mysql设置查询超时时间
  • phpcms采集教程
  • 发票上的金额是含税还是不含税
  • 企业注销未抵扣完进项税怎么处理
  • 应交税费明细科目设置最新
  • 公司收到生育津贴不给员工
  • 个税适用税率怎么确定
  • 水利建设基金计提会计分录
  • 科技项目扶持资金
  • 无发票费用可以入账吗
  • 企业所得税需要计提分录
  • 报关金额多报了900美金怎么办
  • 未确认融资费用借贷方向
  • mysql 5.7.30安装
  • win7防火墙如何添加允许
  • windows中双击硬盘驱动器图标操作的作用
  • win10电脑系统配置
  • 如何解决cpu超频问题
  • centos安装问题
  • linux大于符号
  • linux ifconfig命令详解
  • jquery自执行
  • dos批处理教程
  • pycharm下载安装
  • opengl光线跟踪代码
  • cmd 远程登录
  • css框架结构
  • python shape用法
  • jQuery插件开发
  • nodejs获取当前时间
  • js中的date函数
  • unity的shader在哪儿
  • JS中call/apply、arguments、undefined/null方法详解
  • jquery使用css
  • js怎么获取密码框内容
  • python gensim
  • jquery获取复选框是否被选中
  • 两江新区两江大道航空航天产业园
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设