一、訓(xùn)練自己的模型

1. yolov5訓(xùn)練好自己的模型，例如訓(xùn)練完后，名稱為best.pt，路徑為runs/exp/weights/best.pt。

2. 采用detect.py文件驗(yàn)證best.pt可以正常檢測目標(biāo)，再進(jìn)行下一步工作。

二、pt轉(zhuǎn)onnx

1. 修改utils/yolo.py文件的后處理部分，將class Detect(nn.Module) 類的子函數(shù)forward由

def forward(self, x):        z = []  # inference outputfor i in range(self.nl):            x[i] = self.m[i](x[i])  # conv            bs, _, 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()ifnot self.training:  # inferenceif self.grid[i].shape[2:4] != x[i].shape[2:4] or self.onnx_dynamic:                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)                y = x[i].sigmoid()if self.inplace:                    y[...,0:2] = (y[...,0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy                    y[...,2:4] = (y[...,2:4] * 2) ** 2 * self.anchor_grid[i]  # whelse:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953                    xy = (y[...,0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy                    wh = (y[...,2:4] * 2) ** 2 * self.anchor_grid[i]  # wh                    y = torch.cat((xy, wh, y[...,4:]), -1)                z.append(y.view(bs, -1, self.no))return x if self.training else (torch.cat(z,1), x)

修改為：

def forward(self, x):        z = []  # inference outputfor i in range(self.nl):            x[i] = self.m[i](x[i])  # convreturn x

注意：訓(xùn)練和檢測的時(shí)候，yolo.py文件應(yīng)保持原來的樣子。

2. 修改export.py文件

2.1修改export_onnx函數(shù)以下內(nèi)容:

（1）將opset_version=opset?修改為：opset_version=12；

（2）修改outputnames為：?output_names=['out378', 'out439', 'out500'])

（3）刪除output_names后的dynamic段落；

2.2?修改parse_opt函數(shù)以下內(nèi)容:

（1）將--data 的default修改為自己的yaml文件路徑；

（2）將--weights的default修改為自己的pt文件路徑:runs/exp/weights/best.pt。

（3）運(yùn)行export.py文件，會(huì)在pt所在文件夾下生成onnx文件。

三、onnx轉(zhuǎn)rknn

1. 創(chuàng)建rknn虛擬環(huán)境進(jìn)行轉(zhuǎn)換。(已創(chuàng)建rknn虛擬環(huán)境,則跳至下一步)

需要的配置在rknn-toolkit2(-master)文件夾?的doc/requirements_cp38-1.4.0.txt中，按照以下步驟進(jìn)行創(chuàng)建：

（1）進(jìn)入rknn-toolkit2(-master)文件夾，右鍵打開終端，

（2）conda創(chuàng)建虛擬環(huán)境rknn：

conda create -n rknn python=3.8

（3）安裝需要的環(huán)境：

pip install -r doc/requirements_cp38-1.4.0.txt -i https://pypi.douban.com/simple

2. 進(jìn)入rknpu2/examples/rknn_yolov5_demo/convert_rknn_demo/yolov5文件夾。

（1）將onnx文件復(fù)制到onnx_models文件夾下。

（2）將需要檢測的圖片例如mmj.jpg放入當(dāng)前路徑。

（3）將dataset.txt內(nèi)容修改為mmj.jpg。

3. 修改onnx2rknn.py文件：

（1）修改MODEL_PATH = './onnx_models/best.onnx'

（2）修改檢測圖片名稱im_file = './mmj.jpg'

（3）修改生成的rknn文件名稱RKNN_MODEL_PATH = './{}/best.rknn'.format(OUT_DIR,exp)

4. 修改運(yùn)行環(huán)境為rknn虛擬環(huán)境，運(yùn)行onnx2rknn.py文件，生成的best.rknn文件在rknn_models文件夾下。

四、rknn編譯

1. 進(jìn)入rknpu2/examples/rknn_yolov5_demo/convert_rknn_demo文件夾。

（1）將best.rknn文件復(fù)制到model/RK3588文件夾。

（2）將mmj.jpg?和?dataset.txt文件復(fù)制到model文件夾。

2. 修改?/include/postprocess.h?文件中的?OBJ_CLASS_NUM?為自己訓(xùn)練的目標(biāo)種類個(gè)數(shù)。

3. 修改 /mode/coco_80_labels_list.txt文件內(nèi)容為自己訓(xùn)練的種類名稱。

4. gcc編譯器配置（如已喔誒之，則跳至下一步5）

（1）下載gcc編譯器并解壓至自定義路徑(xxx/RK3588/gcc-arm-10.3-2021.07-x86_64-aarch64-none-linux-gnu)

（2）添加gcc編譯器環(huán)境變量:在終端輸入命令?vim /etc/profile。在文件末端添加gcc編譯器路徑/bin：

export PATH=$PATH:/home/yf01/ssd/RK3588/gcc-arm-10.3-2021.07-x86_64-aarch64-none-linux-gnu/bin

（3）:wq?保存退出。

5. 修改build-linux_RK3588.sh文件:

（1）修改TARGET_SOC="rk3588"

（2）修改gcc編譯器路徑為gcc編譯器所在位置。

export TOOL_CHAIN=/home/yf01/ssd/RK3588/gcc-arm-10.3-2021.07-x86_64-aarch64-none-linux-gnu

6. 運(yùn)行環(huán)境為rknn虛擬環(huán)境，運(yùn)行build-linux_RK3588.sh文件，生成install文件夾。文件夾中的rknn_yolov5_demo_Linux即為可以在RK3588開發(fā)板上運(yùn)行的文件。

五、RK3588開發(fā)板上運(yùn)行

1. 將rknn_yolov5_demo_Linux文件夾復(fù)制到rk3588開發(fā)板上，進(jìn)入rknn_yolov5_demo_Linux文件夾。

2. 打開終端，輸入指令：

./rknn_yolov5_demo ./model/RK3588/best.rknn ./model/mmj.jpg

3. 運(yùn)行結(jié)果為out.jpg，即mmj.jpg的檢測結(jié)果。

注意：待檢測圖片尺寸應(yīng)大于訓(xùn)練圖片尺寸，否則可能報(bào)錯(cuò)。文章來源地址http://www.zghlxwxcb.cn/news/detail-427907.html