github仓库

  • 所需:
    • 安装了Ubuntu20系统的RK3588
    • 安装了Ubuntu18的电脑或者虚拟机

一、yolov5 PT模型获取

Anaconda教程
YOLOv5教程
经过上面两个教程之后,你应该获取了自己的best.pt文件

二、PT模型转onnx模型

  • models/yolo.py文件中的class类下的forward函数由:
def forward(self, x):z = []# inference outputfor i in range(self.nl):x[i] = self.m[i](x[i])# convbs, _, ny, nx = x[i].shape# x(bs,255,20,20) to x(bs,3,20,20,85)x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()if not self.training:# inferenceif self.dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)if isinstance(self, Segment):# (boxes + masks)xy, wh, conf, mask = x[i].split((2, 2, self.nc + 1, self.no - self.nc - 5), 4)xy = (xy.sigmoid() * 2 + self.grid[i]) * self.stride[i]# xywh = (wh.sigmoid() * 2) ** 2 * self.anchor_grid[i]# why = torch.cat((xy, wh, conf.sigmoid(), mask), 4)else:# Detect (boxes only)xy, wh, conf = x[i].sigmoid().split((2, 2, self.nc + 1), 4)xy = (xy * 2 + self.grid[i]) * self.stride[i]# xywh = (wh * 2) ** 2 * self.anchor_grid[i]# why = torch.cat((xy, wh, conf), 4)z.append(y.view(bs, self.na * nx * ny, self.no))return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x)

改为:

def forward(self, x):z = []# inference outputfor i in range(self.nl):x[i] = self.m[i](x[i])# convreturn x
  • export.py文件中的run函数下的语句:
shape = tuple((y[0] if isinstance(y, tuple) else y).shape)# model output shape

改为:

shape = tuple((y[0] if isinstance(y, tuple) else y))# model output shape
  • 将你训练模型对应的run/train/目录下的exp/weighst/best.pt文件移动至与export.py同目录下
  • 保证工作目录位于yolov5主文件夹,在控制台执行语句:
cd yolov5 python export.py --weights best.pt --img 640 --batch 1 --include onnx --opset 12
  • 然后在主文件夹下出现了一个best.onnx文件,在Netron中查看模型是否正确
  • 点击左上角菜单->Properties…
  • 查看右侧OUTPUTS是否出现三个输出节点,是则ONNX模型转换成功。
  • 如果转换好的best.onnx模型不是三个输出节点,则不用尝试下一步,会各种报错。

三、onnx模型转rknn模型

  • 我使用的是VMWare虚拟机安装的Ubuntu18.04系统,注意,不是在RK3588上,是在你的电脑或者虚拟机上操作这一步骤。

  • rknn-toolkit2-1.4.0所需python版本为3.6所以需要安装Miniconda来帮助管理。

  • 安装Miniconda for Linux

    • 进入到下载得到的Miniconda3-latest-Linux-x86_64.sh所在目录
      chmod +x Miniconda3-latest-Linux-x86_64.sh./Miniconda3-latest-Linux-x86_64.sh
    • 提示什么都一直同意,直到安装完毕。
    • 安装成功后,重新打开终端。
    • 如果安装成功,终端最前面应该会有一个(base)
    • 安装失败的去参考别的Miniconda3安装教程。
    • 创建虚拟环境:
      conda create -n rknn3.6 python=3.6 
    • 激活虚拟环境:
      conda activate rknn3.6
    • 激活成功时,终端最前面应该会有一个(rknn3.6)
  • 下载rknn-toolkit2-1.4.0

    • 到Ubuntu,下载源代码下的RK356X/RK3588 RKNN SDK
    • 进入百度网盘:RKNN_SDK-> RK_NPU_SDK_1.4.0 下载 rknn-toolkit2-1.4.0
    • 下载到Ubuntu后,进入rknn-toolkit2-1.4.0目录
      pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl 
    • 等待安装完毕检查是否安装成功:
      pythonfrom rknn.api import RKNN
    • 如果没有报错则成功。
    • 如果报错:
      • 1.是否处于rknn3.6虚拟环境下;
      • 2.pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl是否报错;
      • 3.pip install报错的时候,提示缺什么就用pip install或者sudo apt-get install安装什么;
  • 上述所需都安装并且验证成功,则开始下一步。

  • best.onnx模型转换为best.rknn模型

    • 进入转换目录:
      cd examples/onnx/yolov5
    • 最好是复制一份test.py出来进行修改:
      cp test.py ./mytest.py
    • 将一开始定义的文件进行修改,这是我修改之后的:
      ONNX_MODEL = 'best.onnx'#待转换的onnx模型RKNN_MODEL = 'best.rknn'#转换后的rknn模型IMG_PATH = './1.jpg'#用于测试图片DATASET = './dataset.txt' #用于测试的数据集,内容为多个测试图片的名字QUANTIZE_ON = True#不修改OBJ_THRESH = 0.25 #不修改NMS_THRESH = 0.45 #不修改IMG_SIZE = 640#不修改CLASSES = ("person")#修改为你所训练的模型所含的标签
    • if __name__ == '__main__':中的语句:
      rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]])
    • 修改为
      rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform='rk3588')
    • 想要程序执行完,展示推理效果,将以下语句:
      # cv2.imshow("post process result", img_1)# cv2.waitKey(0)# cv2.destroyAllWindows()
    • 注释打开:
      cv2.imshow("post process result", img_1)cv2.waitKey(0)cv2.destroyAllWindows()
    • 终端执行:
      python mytest.py
    • 运行完展示效果,以及文件夹中出现best.rknn则该步骤成功。

四、在RKNN3588上部署rknn模型并实时摄像头推理检测

  • RKNN3588Ubuntu20系统上安装Miniconda,需要注意的是,RKNN3588Ubuntu20系统为aarch架构因此下载的Miniconda版本和之前有所不同,需要选择对应的aarch版本。
  • aarchMiniconda下载
  • 安装不再赘述。
  • 创建虚拟环境,因为在RK3588上要用到rknn-toolkit-lite2所以需要安装python3.7:
    • conda create -n rknnlite3.7 python=3.7
    • conda activate rknnlite3.7
  • 下载rknn-toolkit-lite2RK3588,也就是下载rknn-toolkit2-1.4.0,不再赘述。
  • 安装rknn-toolkit-lite2
    • 进入rknn-toolkit2-1.4.0/rknn-toolkit-lite2目录
      pip install packages/rknn_toolkit_lite2-1.4.0-cp37-cp37m-linux_aarch64.whl
    • 等待安装完毕
    • 测试是否安装成功:
      pythonfrom rknnlite.api import RKNNLite
    • 不报错则成功
  • example文件夹下新建一个test文件夹
  • 在其中放入你转换成功的best.rknn模型以及文章开头github仓库下的detect.py文件
  • detect.py文件中需要修改的地方:
    • 定义
      RKNN_MODEL = 'best.rknn'#你的模型名称IMG_PATH = './1.jpg'#测试图片名CLASSES = ("cap") #标签名
    • if __name__ == '__main__'::
      capture = cv2.VideoCapture(11)#其中的数字为你Webcam的设备编号
      • 关于设备编号,在终端中运行:
        v4l2-ctl --list-devices 
      • 打印出的Cam之类的字眼对应的/dev/video11中的11就是你的设备编号。
  • 运行脚本:
    python detect.py
  • 部署完成。