YOLO-V5 系列算法和代码解析（八）—— 模型移植

企业开发 2023-09-06 18:42:49 阅读次数: 0

文章目录

工程目标

将自己训练的目标检测模型【YOLO-V5s】移植到瑞芯微【3566】芯片平台，使用NPU推理，最终得到正确的结果。整个过程涉及模型量化、转换，C++部署。

芯片参数

芯片参数介绍：https://www.rock-chips.com/a/cn/product/RK35xilie/2021/0113/1273.html
CPU：四核，1.8GHZ.
NPU：1TOPs@Int8，每秒一万亿次运算。
在这里插入图片描述
在这里插入图片描述

查阅官方文档

通常每一款芯片都有其对应的使用文档和工具链，以此作为开发的参考。通过官方文档，可以确认开发环境（Ubuntu, python版本等），工具链版本，不同深度学习框架的Demo，以及一些特别的注意事项等。

  1. python 版本工具链
    rknn-toolkit2：https://github.com/rockchip-linux/rknn-toolkit2.
    在这里插入图片描述
  2. C 版本工具链
    rknpu2：https://github.com/rockchip-linux/rknpu2，用于编译在RK板子上推理的工具链。
    在这里插入图片描述

基本流程

部署流程：

  1. 安装 Python 版本的工具链（RKNN-ToolKit2），可以在PC端将（.onnx，.pt，.ckpt）导出为（.rknn）模型。该步骤可以验证自己训练的模型是否可以成功导出，卷积算子是否支持，预测效果是否可用，量化效果等功能。
  2. PC 端配置 C 版本工具链（RKNPU2），编译自己的 C++ 推理工程，编译得到的可执行文件可以在RK芯片运行。
  3. 将得到RKNN模型和可执行文件，以及RK一些必要的依赖库(.so)放入芯片上，可以直接运行。

Python 版工具链安装

下图是Python版本工具链目录结构，在【DOC】目录中提供了英文版和中文版的使用文档。
 在这里插入图片描述
初次使用该工具链的时候，仔细阅读如下文档：

  1. “Rockchip_Quick_Start_RKNN_SDK_V1.4.0_CN.pdf”，该文档主要介绍了安装教程，运行demo以及一些基本的硬件参数，内容相对较少，（配置环境，运行demo建议阅读此文档）。
  2. “Rockchip_User_Guide_RKNN_Toolkit2_CN-1.4.0.pdf”，详细介绍了API接口得使用规则，以及其它相关内容，（具体API的使用，可以参考此文档）。

本教程使用【pip】的方式安装，docker也是官方建议的安装方式，看自己对哪种方式更为熟悉。结合文档的流程，具体操作过程如下：

  1. 创建虚拟环境
    conda create -n rknn2 python=3.6
    conda activate rknn2
  2. 安装依赖库
    在这里插入图片描述
  3. 进入工程的根目录
    在这里插入图片描述
  4. 安装必要相应版本的依赖包
    pip install -r doc/requirements_cp36-1.4.0.txt （下图是官方给的问题解决办法）
    在这里插入图片描述
    值得注意：在配置软件包的过程中，遇到“匹配不到XX版本”的问题，按照上述方式，并不能解决。
    解决办法：首先安装Numpy（pip install numpy==1.19.5），然后执行上述命令，pip install -r doc/requirements_cp36-1.x.x.txt. 可能还有其它的错误，要根据错误提示，具体问题，具体分析。
  5. 安装RKNN软件包
    pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl
  6. 检查RKNN-Toolkit2是否安装成功
    如下图所示，没有出错，则表示安装成功
    在这里插入图片描述
  7. 测试官方 YOLO-V5 Demo
    在这里插入图片描述
  8. 运行目录下的【test.py】
    python test.py
    如下图所示，运行平台是PC(linux)模拟器，转换得到【yolov5s.rknn】模型。
    在这里插入图片描述

RKNPU2的编译以及使用方法

主要介绍板子上为Linux系统64位的编译以及使用，具体流程如下：

  1. 下载编译工具链（Arm版）
    由于板子上是Linux系统，所以下载gcc编译器，下图是【官方推荐】的gcc版本以及下载链接，
    在这里插入图片描述
    遇到问题：上述GCC的下载链接不存在，也没有找到gcc-9.3版本的下载链接。后来又找到gcc-9.3（没有测试是否可用），https://gitlab.com/firefly-linux/prebuilts/gcc/linux-x86/aarch64/gcc-buildroot-9.3.0-2020.03-x86_64_aarch64-rockchip-linux-gnu.
    解决办法：下载其它版本的交叉编译器，【gcc-6.3】，下载链接如下，
    http://releases.linaro.org/components/toolchain/binaries/6.3-2017.05/aarch64-linux-gnu/（参考博客为：https://blog.csdn.net/song_lee/article/details/105487177）。
  2. 下载部署源码
    下载地址：https://github.com/rockchip-linux/rknpu2.
  3. 编译官方 YOLOV5 Demo
    Git官方上的方法如下：https://github.com/rockchip-linux/rknpu2/tree/master/examples/rknn_yolov5_demo
     在这里插入图片描述
    仿照上述方式，针对自己下载的版本，终端命令如下：
      export TOOL_CHAIN=/opt/gcc-linaro-6.3.1-2017.05-x86_64_aarch64-linux-gnu/
      ./build-linux_RK356X.sh
    按照上述方法，仍并无法编译成功，报错如下图所示，找不到如下可执行文件 “aarch64-linux-gnu-gcc”
    在这里插入图片描述
    为此，修改【build-linux_RK356X.sh】脚本，将编译器所在目录写完整，具体修改如下图所示：
    在这里插入图片描述
    至此，可以成功编译YOLO-V5的例子，会在当前路径下生成【install】目录，目录中包含了扫地机上运行所需要的库，模型（可以通过rknn-toolkit2转换得到），测试图片，可执行程序，目录展开如下：
    在这里插入图片描述
    板子上运行（使用adb）
    下图是Git上给的方式，将adb线插到扫地机，进行扫地机和PC端进行数据传输
    在这里插入图片描述
    Xshell 连接板子，运行程序即可。

移植自己训练的模型

移植自己训练的YOLOV5s，由于应用任务场景的不同，输出与官方YOLOV5的输出略有差异。与官方的Demo相比，需要修改一些输出的尺寸。具体流程如下：

  1. 导出RKNN模型
    注意修改网络的输出大小：官方的模型yolov5s 输出的形状如下
      output[0].shape=(1, 255, 80, 80)， 自训练的模型输出为(1, 3, 80, 80,21)
      output[0].shape=(1, 255, 40, 40)， 自训练的模型输出为(1, 3, 40, 40,21)
      output[0].shape=(1, 255, 20, 20)， 自训练的模型输出为(1, 3, 20, 20,21)
    为了适配官方提供的后处理，可以导出中间层的模型。用软件【Netron】打开自训练的模型，获得指定输出层的编号，如下图所示，得到输出为 (1, 63, 40, 40)，
    在这里插入图片描述
    根据上述的网络节点的编号，代码需要修改的位置如下图所示，这样导出的模型可以完全与官方的后处理代码兼容。
    在这里插入图片描述
  2. 编译RK板子的运行程序
    参考上面的流程，修改相应的输出，直接编译即可。
  3. 板子上运行
    参考上面的流程，运行即可。

CMakeLists

  CMakeLists.txt 依赖库常见的添加方式，比如 CV，PCL等。具体内容如下，根据自己的库路径，相应修改即可：

cmake_minimum_required(VERSION 3.4.1)

project(${PROJECTNAME})

set(CMAKE_SYSTEM_NAME Linux)

set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS}")
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")

set(libcode ${CMAKE_SOURCE_DIR}/../Libcode)
include_directories(${libcode}/include)
include_directories(${CMAKE_SOURCE_DIR}/include)

# onnxruntime api
# set(ONNX_API_PATH ${CMAKE_SOURCE_DIR}/../libs/onnxruntime/onnxruntime-linux-aarch64-1.11.1)
# set(ONNX_API_PATH ${CMAKE_SOURCE_DIR}/../libs/onnxruntime/onnxruntime-linux-x64-1.11.1)
# message(${ONNX_API_PATH}  )
# include_directories(${ONNX_API_PATH}/include)
# set(ONNX_API_LIB ${ONNX_API_PATH}/lib/libonnxruntime.so)

# rknn api
if(TARGET_SOC STREQUAL "rk356x")
  set(RKNN_API_PATH ${CMAKE_SOURCE_DIR}/../../../libs/rknnruntime/RK356X/${CMAKE_SYSTEM_NAME}/librknn_api)
elseif(TARGET_SOC STREQUAL "rk3588")
  set(RKNN_API_PATH ${CMAKE_SOURCE_DIR}/../libs/rknnruntime/RK3588/${CMAKE_SYSTEM_NAME}/librknn_api)
else()
  message(FATAL_ERROR "TARGET_SOC is not set, ref value: rk356x or rk3588 or rv110x")
endif()

if (CMAKE_SYSTEM_NAME STREQUAL "Android")
  set(RKNN_RT_LIB ${RKNN_API_PATH}/${CMAKE_ANDROID_ARCH_ABI}/librknnrt.so)
else()
  if (CMAKE_C_COMPILER MATCHES "aarch64")
    set(LIB_ARCH aarch64)
  else()
    set(LIB_ARCH armhf)
  endif()
  set(RKNN_RT_LIB ${RKNN_API_PATH}/${LIB_ARCH}/librknnrt.so)
endif()
include_directories(${RKNN_API_PATH}/include)
include_directories(${CMAKE_SOURCE_DIR}/../3rdparty)


# # opencv
set(OPENCV_PATH ${CMAKE_SOURCE_DIR}/../../../libs/opencv/opencv410_aarch64)
# set(OPENCV_PATH ${CMAKE_SOURCE_DIR}/../libs/opencv/opencv_pc)
message(${OPENCV_PATH}  )
# opencv：头文件
include_directories(${OPENCV_PATH}/include/)
# opencv：动态库
file(GLOB OPENCV_LIBS ${OPENCV_PATH}/lib64/*.so*)


## PCL
set(TOOLCHAIN_LIB /home/xyy/LL_DATA/Furniture_project/yolov5-onnxruntime-mobile/yolov5_Furniture_inspection/libs)
##SET(TOOLCHAIN_LIB /opt/rk3566-rockchip-linux-toolchain/gcc-6.3.1-aarch64-linux-gnueabihf)

SET(BOOST_LIB_IOSTREAM ${TOOLCHAIN_LIB}/3rdParty/lib/libboost_iostreams.so)
SET(BOOST_LIB_SYSTEM ${TOOLCHAIN_LIB}/3rdParty/lib/libboost_system.so)
SET(BOOST_LIB_FILESYSTEM ${TOOLCHAIN_LIB}/3rdParty/lib/libboost_filesystem.so)
SET(BOOST_LIB_ZLIB ${TOOLCHAIN_LIB}/3rdParty/lib/libboost_zlib.so)
SET(BOOST_LIB ${BOOST_LIB_IOSTREAM} ${BOOST_LIB_SYSTEM} ${BOOST_LIB_FILESYSTEM} ${BOOST_LIB_ZLIB})

SET(PCL_LIBS
		${TOOLCHAIN_LIB}/3rdParty/lib/libflann_cpp_s.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_features.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_filters.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_segmentation.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_search.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_kdtree.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_common.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_io.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_io_ply.a
		${TOOLCHAIN_LIB}/3rdParty/lib/libpcl_sample_consensus.a
    )

INCLUDE_DIRECTORIES(${TOOLCHAIN_LIB}/3rdParty/include/eigen3)
INCLUDE_DIRECTORIES(${TOOLCHAIN_LIB}/3rdParty/include/flann)
INCLUDE_DIRECTORIES(${TOOLCHAIN_LIB}/3rdParty/include/)
INCLUDE_DIRECTORIES(${TOOLCHAIN_LIB}/3rdParty/include/pcl-1.9)


set(CMAKE_INSTALL_RPATH "lib")


add_executable(${PROJECTNAME}
               src/RKNN_main.cpp
			   src/RKNN_detector.cpp
			   src/RKNN_postprocess.cpp
			   ${libcode}/src/utils.cpp
			   ${libcode}/src/ALL_postprocessing.cpp
			   )


#target_link_libraries( aruco_single_estimator  -lpthread -lm)

target_link_libraries(${PROJECTNAME}
	#${ONNX_API_LIB}
  	${OPENCV_LIBS}
  	${BOOST_LIB}
  	${PCL_LIBS}
	${RKNN_RT_LIB}
  dl
)

# install target and libraries
set(CMAKE_INSTALL_PREFIX ${CMAKE_SOURCE_DIR}/../../install/RK3566)
install(TARGETS ${PROJECTNAME} DESTINATION ./)
install(DIRECTORY ../models DESTINATION ./)
install(PROGRAMS ${OPENCV_LIBS} DESTINATION lib)
install(PROGRAMS ${BOOST_LIB} DESTINATION lib)
install(PROGRAMS ${PCL_LIBS} DESTINATION lib)
install(PROGRAMS ${RKNN_RT_LIB} DESTINATION lib)

对应的 build.sh

#!/bin/bash
rm -R build

set -e
TARGET_SOC="rk356x"

# for rk1808 aarch64
GCC_COMPILER=/home/xyy/LL_DATA/Furniture_project/yolov5-onnxruntime-mobile/yolov5_Furniture_inspection/gcc-linaro-6.3.1-2017.05-x86_64_aarch64-linux-gnu/bin/aarch64-linux-gnu
PROJECTNAME=furniture3D

ROOT_PWD=$( cd "$( dirname $0 )" && cd -P "$( dirname "$SOURCE" )" && pwd )
echo ${ROOT_PWD}

# 进入build文件
mkdir ${ROOT_PWD}/build
cd ${ROOT_PWD}/build
cmake .. \
    -DCMAKE_C_COMPILER=${GCC_COMPILER}-gcc \
    -DCMAKE_CXX_COMPILER=${GCC_COMPILER}-g++ \
    -DCMAKE_SYSTEM_NAME=Linux \
    -DTARGET_SOC=${TARGET_SOC} \
    -DPROJECTNAME=${PROJECTNAME}
make -j10
make install

cd ${ROOT_PWD}
/home/xyy/LL_DATA/Furniture_project/yolov5-onnxruntime-mobile/yolov5_Furniture_inspection/gcc-linaro-6.3.1-2017.05-x86_64_aarch64-linux-gnu/bin/aarch64-linux-gnu-strip ../../install/RK3566/${PROJECTNAME}
md5sum ../../install/RK3566/${PROJECTNAME}
date +%Y/%m/%d%t%H:%M:%S

adb push ../../install/RK3566/${PROJECTNAME} /userdata/kang/model
cp ../../install/RK3566/${PROJECTNAME} /home/xyy/MOUNT_241/PersonalData/LL_dataset/tmp/kang/model

直接 sh build.sh 即可。

猜你喜欢

转载自blog.csdn.net/kxh123456/article/details/129097119
今日推荐
AI小程序有哪些？AI小程序哪个好用？微信小程序AI写作叫什么？免费的ai小程序推荐 ai写作小程序推荐
灵办AI工具(科研学术,代码编程,学习辅导,图书报告)功能介绍
Linux内核源码分析（非常详细）零基础入门到精通，收藏这一篇就够了
【C++篇】启航——初识C++（上篇）
数据飞轮崛起：数据中台真的过时了吗？
828华为云征文——使用Flexus云服务器X实例CentOS镜像下创建MySQL服务器教程
阿里巴巴出品的6款AI神器，你用过几个？
【机器学习】多模态AI——融合多种数据源的智能系统
HashiCorp 创始人向 Zig 软件基金会捐赠 30 万美元
1-8 月我国软件业务收入 85492 亿元，同比增长 11.2%
零基础入门鸿蒙开发 HarmonyOS NEXT星河版开发学习
豆包MarsCode帮我2小时完成Go语言系统从开发、测试到部署全流程最佳实践，云IDE迁移PHP企业级项目最佳实践
周排行
Ubuntu+apache2+php5+mysql+phpmyadmin的php环境搭建
基于YOLOv3+Kalman-Filter实现Multi-target tracking
解释C++实例化类的指针类型中的new
苹果手机页面不兼容问题——mui
Python基础语法
javascript学习笔记一【预解释】
python内置函数 map
【Git】使用webstorm操作git
this与super关键字（一）
python list 使用技巧
每日归档
更多
2024-10-04(63)
2024-10-03(2)
2024-10-02(60)
2024-10-01(0)
2024-09-30(0)
2024-09-29(0)
2024-09-28(4)
2024-09-27(60)
2024-09-26(0)
2024-09-25(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022