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rknn
  • 2.4 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

  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: YOLOv5in 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 onnx

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