yolov5训练部署全链路教程
1. yolov5简介
yolov5 模型是 ultralytics 公司于 2020 年 6 月 9 日公开发布的。yolov5 模型是基于 yolov3 模型基础上改进而来的，有 yolov5s、yolov5m、yolov5l、yolov5x 四个模型。yolov5 相比yolov4 而言，在检测平均精度降低不多的基础上，具有均值权重文件更小，训练时间和推理速度更短的特点。yolov5 的网络结构分为输入端backboneneck、head 四个部分。本教程针对目标检测算法yolov5的训练和部署到easy-eai-nano(rv1126)进行说明，而数据标注方法可以参考我们往期的文章《labelimg的安装与使用》。以下为yolov5训练部署的大致流程：
2. 准备数据集
2.1 数据集下载
本教程以口罩检测为例，数据集的百度网盘下载链接为:
https://pan.baidu.com/s/1vtxwurn1mqu-wj017eaqrw 提取码：6666
解压完成后得到以下三个文件：
2.2 生成路径列表
在数据集目录下执行脚本list_dataset_file.py:
python list_dataset_file.py
执行现象如下图所示:
得到训练样本列表文件train.txt和验证样本列表文件valid.txt,如下图所示：
3. 下载yolov5训练源码
通过git工具，在pc端克隆远程仓库（注：此处可能会因网络原因造成卡顿，请耐心等待）：
git clone https://github.com/easy-eai/yolov5.git
得到下图所示目录：
4. 训练算法模型
切换到yolov5的工作目录，接下来以训练一个口罩检测模型为例进行说明。需要修改data/mask.yaml里面的train.txt和valid.txt的路径。
执行下列脚本训练算法模型：
python train.py --data mask.yaml --cfg yolov5s.yaml --weights --batch-size 64
开始训练模型，如下图所示：
关于算法精度结果可以查看./runs/train/results.csv获得。
5. 在pc端进行模型预测
训练完毕后，在./runs/train/exp/weights/best.pt生成通过验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果：
python detect.py --source data/images --weights ./runs/train/exp/weights/best.pt --conf 0.5
6. pt模型转换为onnx模型
算法部署到easy-eai-nano需要转换为rknn模型,而转换rknn之前可以把模型先转换为onnx模型，同时会生成best.anchors.txt：
python export.py --include onnx --rknpu rv1126 --weights ./runs/train/exp/weights/best.pt
生成如下图所示：
7. 转换为rknn模型环境搭建
onnx模型需要转换为rknn模型才能在easy-eai-nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。
7.1 概述
模型转换环境搭建流程如下所示：
7.2 下载模型转换工具
为了保证模型转换工具顺利运行，请下载网盘里”ai算法开发/rknn-toolkit模型转换工具/rknn-toolkit-v1.7.1/docker/rknn-toolkit-1.7.1-docker.tar.gz”。网盘下载链接：https://pan.baidu.com/s/1lutu_-on7ub3kvlojlamka 提取码：teuc
7.3 把工具移到ubuntu18.04
把下载完成的docker镜像移到我司的虚拟机ubuntu18.04的rknn-toolkit目录,如下图所示：
7.4 运行模型转换工具环境
7.4.1 打开终端
在该目录打开终端：
7.4.2 加载docker镜像
执行以下指令加载模型转换工具docker镜像:
docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.1-docker.tar.gz
7.4.3 进入镜像bash环境
执行以下指令进入镜像bash环境:
docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.1 /bin/bash
现象如下图所示:
7.4.4 测试环境
输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:
至此，模型转换工具环境搭建完成。
8. rknn模型转换流程介绍
easy eai nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程如下图所示：
8.1 模型转换demo下载
下载百度网盘链接：https://pan.baidu.com/s/1uaiq6edegidvq7ham7p0jg
提取码：6666把model_convert.tar.bz2解压到虚拟机，如下图所示:
8.2 进入模型转换工具docker环境
执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：
docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert:/test rknn-toolkit:1.7.1 /bin/bash
执行成功如下图所示:
8.3 模型转换操作说明
8.3.1 模型转换demo目录结构
模型转换测试demo由mask_object_detect和quant_dataset组成。coco_object_detect存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:
mask_object_detect文件夹存放以下内容，如下图所示:
8.3.2 生成量化图片列表
在docker环境切换到模型转换工作目录:
cd /test/mask_object_detect/
如下图所示:
执行gen_list.py生成量化图片列表:
python gen_list.py
命令行现象如下图所示:
生成“量化图片列表”如下文件夹所示:
8.3.3 onnx模型转换为rknn模型
rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：
import osimport urllibimport tracebackimport timeimport sysimport numpy as npimport cv2from rknn.api import rknnonnx_model = 'best.onnx'rknn_model = './yolov5_mask_rv1126.rknn'dataset = './pic_path.txt'quantize_on = trueif __name__ == '__main__': # create rknn object rknn = rknn(verbose=true) if not os.path.exists(onnx_model): print('model not exist') exit(-1) # pre-process config print('--> config model') rknn.config(reorder_channel='0 1 2', mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], optimization_level=3, target_platform = 'rv1126', output_optimize=1, quantize_input_node=quantize_on) print('done') # load onnx model print('--> loading model') ret = rknn.load_onnx(model=onnx_model) if ret != 0: print('load yolov5 failed!') exit(ret) print('done') # build model print('--> building model') ret = rknn.build(do_quantization=quantize_on, dataset=dataset) if ret != 0: print('build yolov5 failed!') exit(ret) print('done') # export rknn model print('--> export rknn model') ret = rknn.export_rknn(rknn_model) if ret != 0: print('export yolov5rknn failed!') exit(ret) print('done')
把onnx模型best.onnx放到mask_object_detect目录，并执行rknn_convert.py脚本进行模型转换：
python rknn_convert.py
生成模型如下图所示，此模型可以在rknn环境和easy eai nano环境运行：
8.3.4 运行rknn模型
用yolov5_mask_test.py脚本在pc端的环境下可以运行rknn的模型，如下图所示:
yolov5_mask_test.py脚本程序清单如下所示:
import osimport urllibimport tracebackimport timeimport sysimport numpy as npimport cv2import randomfrom rknn.api import rknnrknn_model = 'yolov5_mask_rv1126.rknn'img_path = './test.jpg'dataset = './dataset.txt'box_thresh = 0.25nms_thresh = 0.6img_size = 640classes = (head, mask)def sigmoid(x): return 1 / (1 + np.exp(-x))def xywh2xyxy(x): # convert [x, y, w, h] to [x1, y1, x2, y2] y = np.copy(x) y[:, 0] = x[:, 0] - x[:, 2] / 2 # top left x y[:, 1] = x[:, 1] - x[:, 3] / 2 # top left y y[:, 2] = x[:, 0] + x[:, 2] / 2 # bottom right x y[:, 3] = x[:, 1] + x[:, 3] / 2 # bottom right y return ydef process(input, mask, anchors): anchors = [anchors[i] for i in mask] grid_h, grid_w = map(int, input.shape[0:2]) box_confidence = sigmoid(input[..., 4]) box_confidence = np.expand_dims(box_confidence, axis=-1) box_class_probs = sigmoid(input[..., 5:]) box_xy = sigmoid(input[..., :2])*2 - 0.5 col = np.tile(np.arange(0, grid_w), grid_w).reshape(-1, grid_w) row = np.tile(np.arange(0, grid_h).reshape(-1, 1), grid_h) col = col.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2) row = row.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2) grid = np.concatenate((col, row), axis=-1) box_xy += grid box_xy *= int(img_size/grid_h) box_wh = pow(sigmoid(input[..., 2:4])*2, 2) box_wh = box_wh * anchors box = np.concatenate((box_xy, box_wh), axis=-1) return box, box_confidence, box_class_probsdef filter_boxes(boxes, box_confidences, box_class_probs): filter boxes with box threshold. it's a bit different with origin yolov5 post process! # arguments boxes: ndarray, boxes of objects. box_confidences: ndarray, confidences of objects. box_class_probs: ndarray, class_probs of objects. # returns boxes: ndarray, filtered boxes. classes: ndarray, classes for boxes. scores: ndarray, scores for boxes. box_scores = box_confidences * box_class_probs box_classes = np.argmax(box_class_probs, axis=-1) box_class_scores = np.max(box_scores, axis=-1) pos = np.where(box_confidences[...,0] >= box_thresh) boxes = boxes[pos] classes = box_classes[pos] scores = box_class_scores[pos] return boxes, classes, scoresdef nms_boxes(boxes, scores): suppress non-maximal boxes. # arguments boxes: ndarray, boxes of objects. scores: ndarray, scores of objects. # returns keep: ndarray, index of effective boxes. x = boxes[:, 0] y = boxes[:, 1] w = boxes[:, 2] - boxes[:, 0] h = boxes[:, 3] - boxes[:, 1] areas = w * h order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x[i], x[order[1:]]) yy1 = np.maximum(y[i], y[order[1:]]) xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]]) yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]]) w1 = np.maximum(0.0, xx2 - xx1 + 0.00001) h1 = np.maximum(0.0, yy2 - yy1 + 0.00001) inter = w1 * h1 ovr = inter / (areas[i] + areas[order[1:]] - inter) inds = np.where(ovr dst_height: image_max_len = dst_width gain = img_size / image_max_len resized_height = dst_height * gain height_pading = (img_size - resized_height)/2 print(height_pading:, height_pading) y1 = (y1 - height_pading) y2 = (y2 - height_pading) print(gain:, gain) dst_x1 = int(x1 / gain) dst_y1 = int(y1 / gain) dst_x2 = int(x2 / gain) dst_y2 = int(y2 / gain) return dst_x1, dst_y1, dst_x2, dst_y2def plot_one_box(x, img, color=none, label=none, line_thickness=none): tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1 # line/font thickness color = color or [random.randint(0, 255) for _ in range(3)] c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3])) cv2.rectangle(img, c1, c2, color, thickness=tl, linetype=cv2.line_aa) if label: tf = max(tl - 1, 1) # font thickness t_size = cv2.gettextsize(label, 0, fontscale=tl / 3, thickness=tf)[0] c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3 cv2.rectangle(img, c1, c2, color, -1, cv2.line_aa) # filled cv2.puttext(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, linetype=cv2.line_aa)def draw(image, boxes, scores, classes): draw the boxes on the image. # argument: image: original image. boxes: ndarray, boxes of objects. classes: ndarray, classes of objects. scores: ndarray, scores of objects. all_classes: all classes name. for box, score, cl in zip(boxes, scores, classes): x1, y1, x2, y2 = box print('class: {}, score: {}'.format(classes[cl], score)) print('box coordinate x1,y1,x2,y2: [{}, {}, {}, {}]'.format(x1, y1, x2, y2)) x1 = int(x1) y1 = int(y1) x2 = int(x2) y2 = int(y2) dst_x1, dst_y1, dst_x2, dst_y2 = scale_coords(x1, y1, x2, y2, image.shape[1], image.shape[0]) #print(img.cols:, image.cols) plot_one_box((dst_x1, dst_y1, dst_x2, dst_y2), image, label='{0} {1:.2f}'.format(classes[cl], score)) ''' cv2.rectangle(image, (dst_x1, dst_y1), (dst_x2, dst_y2), (255, 0, 0), 2) cv2.puttext(image, '{0} {1:.2f}'.format(classes[cl], score), (dst_x1, dst_y1 - 6), cv2.font_hershey_simplex, 0.6, (0, 0, 255), 2) '''def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)): # resize and pad image while meeting stride-multiple constraints shape = im.shape[:2] # current shape [height, width] if isinstance(new_shape, int): new_shape = (new_shape, new_shape) # scale ratio (new / old) r = min(new_shape[0] / shape[0], new_shape[1] / shape[1]) # compute padding ratio = r, r # width, height ratios new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r)) dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding dw /= 2 # divide padding into 2 sides dh /= 2 if shape[::-1] != new_unpad: # resize im = cv2.resize(im, new_unpad, interpolation=cv2.inter_linear) top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) im = cv2.copymakeborder(im, top, bottom, left, right, cv2.border_constant, value=color) # add border return im, ratio, (dw, dh)if __name__ == '__main__': # create rknn object rknn = rknn(verbose=true) print('--> loading model') ret = rknn.load_rknn(rknn_model) if ret != 0: print('load rknn model failed') exit(ret) print('done') # init runtime environment print('--> init runtime environment') ret = rknn.init_runtime() # ret = rknn.init_runtime('rv1126', device_id='1126') if ret != 0: print('init runtime environment failed') exit(ret) print('done') # set inputs img = cv2.imread(img_path) letter_img, ratio, (dw, dh) = letterbox(img, new_shape=(img_size, img_size)) letter_img = cv2.cvtcolor(letter_img, cv2.color_bgr2rgb) # inference print('--> running model') outputs = rknn.inference(inputs=[letter_img]) print('--> inference done') # post process input0_data = outputs[0] input1_data = outputs[1] input2_data = outputs[2] input0_data = input0_data.reshape([3,-1]+list(input0_data.shape[-2:])) input1_data = input1_data.reshape([3,-1]+list(input1_data.shape[-2:])) input2_data = input2_data.reshape([3,-1]+list(input2_data.shape[-2:])) input_data = list() input_data.append(np.transpose(input0_data, (2, 3, 0, 1))) input_data.append(np.transpose(input1_data, (2, 3, 0, 1))) input_data.append(np.transpose(input2_data, (2, 3, 0, 1))) print('--> transpose done') boxes, classes, scores = yolov5_post_process(input_data) print('--> get result done') #img_1 = cv2.cvtcolor(img, cv2.color_rgb2bgr) if boxes is not none: draw(img, boxes, scores, classes) cv2.imwrite('./result.jpg', img) #cv2.imshow(post process result, img_1) #cv2.waitkeyex(0) rknn.release()
执行后得到result.jpg如下图所示:
8.3.5 模型预编译
由于rknn模型用npu api在easy eai nano加载的时候启动速度会好慢，在评估完模型精度没问题的情况下，建议进行模型预编译。预编译的时候需要通过easy eai nano主板的环境，所以请务必接上adb口与ubuntu保证稳定连接。板子端接线如下图所示，拨码开关需要是adb：
虚拟机要保证接上adb设备：
由于在虚拟机里ubuntu环境与docker环境对adb设备资源是竞争关系，所以需要关掉ubuntu环境下的adb服务，且在docker里面通过apt-get安装adb软件包。以下指令在ubuntu环境与docker环境里各自执行：
在docker环境里执行adb devices,现象如下图所示则设备连接成功：
运行precompile_rknn.py脚本把模型执行预编译：
python precompile_rknn.py
执行效果如下图所示，生成预编译模型yolov5_mask_rv1126_pre.rknn：
至此预编译部署完成，模型转换步骤已全部完成。生成如下预编译后的int8量化模型：
9. 模型部署示例
9.1 模型部署示例介绍
本小节展示yolov5模型的在easy eai nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。
9.2 准备工作
9.2.1 硬件准备
easy eai nano开发板，microusb数据线，带linux操作系统的电脑。需保证easy eai nano与linux系统保持adb连接。
9.2.2 交叉编译环境准备
本示例需要交叉编译环境的支持，可以参考在线文档“入门指南/开发环境准备/安装交叉编译工具链”。链接为:https://www.easy-eai.com/document_details/3/135。
9.2.3 文件下载
下载yolov5 c demo示例文件。百度网盘链接:https://pan.baidu.com/s/1xmxu9putp_qsytsqpqxmdq提取码：6666下载解压后如下图所示:
9.3 在easy eai nano运行yolov5 demo
9.3.1 解压yolov5 demo
下载程序包移至ubuntu环境后，执行以下指令解压：
tar -xvf yolov5_detect_c_demo.tar.bz2
9.3.2 编译yolov5 demo
执行以下脚本编译demo：
./build.sh
编译成功后如下图所示:
9.3.3 执行yolov5 demo
执行以下指令把可执行程序推送到开发板端：
adb push yolov5_detect_demo_release/ /userdata
登录到开发板执行程序:
adb shell
执行结果如下图所示，算法执行时间为50ms:
取回测试图片:
adb pull /userdata/yolov5_detect_demo_release/result.jpg .
测试结果如下图所示:
10. 基于摄像头的ai demo
10.1 摄像头demo介绍
本小节展示yolov5模型的在easy eai nano执行摄像头demo的过程，该模型仅经过简单训练供示例使用，不保证模型精度。
10.2 准备工作
10.2.1 硬件准备
easy-eai-nano人工智能开发套件(包括:easy eai nano开发板，双目摄像头，5寸高清屏幕，microusb数据线），带linux操作系统的电脑,。需保证easy eai nano与linux系统保持adb连接。
10.2.2 交叉编译环境准备
本示例需要交叉编译环境的支持，可以参考在线文档“入门指南/开发环境准备/安装交叉编译工具链”。链接为:https://www.easy-eai.com/document_details/3/135。
10.2.3 文件下载
摄像头识别demo的程序源码可以通过百度网盘下载：
https://pan.baidu.com/s/18cap4yt_lhdz5xahg-l1lw（提取码：6666 ）。下载解压后如下图所示:
10.3 在easy eai nano运行yolov5 demo
10.3.1 解压yolov5 camera demo
下载程序包移至ubuntu环境后，执行以下指令解压：
tar -xvf yolov5_detect_camera_demo.tar.tar.bz2
10.3.2 编译yolov5 camera demo
执行以下脚本编译demo：
./build.sh
编译成功后如下图所示:
10.3.3 执行yolov5 camera demo
执行以下指令把可执行程序推送到开发板端：
adb push yolov5_detect_camera_demo_release/ /userdata
登录到开发板执行程序:
adb shell
测试结果如下图所示:
11. 资料下载
资料名称 链接
训练代码github https://github.com/easy-eai/yolov5
算法教程完整源码包 https://pan.baidu.com/s/1-78z8jopyoagevfg0i_wza
提取码：6666
硬件外设库源码github https://github.com/easy-eai/easy-eai-toolkit-c-sdk
12. 硬件使用
本教程使用的是easy eai nano（rv1126）开发板easy eai nano是基于瑞芯微rv1126 处理器设计，具有四核cpu@1.5ghz与npu@2tops ai边缘计算能力。实现ai运算的功耗不及所需gpu的10%。配套ai算法工具完善，支持tensorflow、pytorch、caffe、mxnet、darknet、onnx等主流ai框架直接转换和部署。有丰富的软硬件开发资料，而且外设资源丰富，接口齐全，还有丰富的功能配件可供选择。集成有以太网、wi-fi 等通信外设。摄像头、显示屏（带电容触摸）、喇叭、麦克风等交互外设。2 路 usb host 接口、1 路 usb device 调试接口。集成协议串口、tf 卡、io 拓展接口（兼容树莓派/jetson nano拓展接口）等通用外设。内置人脸识别、安全帽监测、人体骨骼点识别、火焰检测、车辆检测等各类 ai 算法，并提供完整的 linux 开发包供客户二次开发。
easy-eai-nano产品在线文档：
https://www.easy-eai.com/document_details/3/143
本篇文章到这里就结束啦，关于我们更多请前往官网了解
https://www.easy-eai.com
后续更多教程关注我们，不定时更新各种新品及活动
电动法兰蝶阀的操作规则及注意事项
凌力尔特公司推出双通道和单通道ADC
光伏靠补贴生存？可再生能源补贴为什么入不敷出？
使用RZ/V微处理器进行AI评估
土壤水分检测仪的性能介绍
yolov5训练部署全链路教程
BTB连接器的环境性能测试中弹片微针模组的应用
外媒评选2017年度最佳CPU 英特尔拿下四分之一
无线降噪耳机NANK南卡和AirPods Pro哪个好用？
光合作用测定仪的简单介绍
蓝相液晶又来了，它是OLED推广最大挑战
技巧！晶振老化率影响及降低方法
全球首批量产L4级别无人驾驶巴士在佛山投入使用
PLC与PAC市场报告发布 未来四年或缓慢增长
PULSE500后备式工频机三角波形成电路
智能手机为什么能显示运营商名称？
伦敦大学安装户外照明装置 可提供额外的安全保障
我国通信行业终端补贴的发展历程介绍
东航已向中国商飞公司签署了购买35架ARJ21-700飞机的协议
亲爱的，我的充电线在哪里？
yolov5 模型是 ultralytics 公司于 2020 年 6 月 9 日公开发布的。yolov5 模型是基于 yolov3 模型基础上改进而来的，有 yolov5s、yolov5m、yolov5l、yolov5x 四个模型。yolov5 相比yolov4 而言，在检测平均精度降低不多的基础上，具有均值权重文件更小，训练时间和推理速度更短的特点。yolov5 的网络结构分为输入端backboneneck、head 四个部分。本教程针对目标检测算法yolov5的训练和部署到easy-eai-nano(rv1126)进行说明，而数据标注方法可以参考我们往期的文章《labelimg的安装与使用》。以下为yolov5训练部署的大致流程：
2. 准备数据集
2.1 数据集下载
本教程以口罩检测为例，数据集的百度网盘下载链接为:
https://pan.baidu.com/s/1vtxwurn1mqu-wj017eaqrw 提取码：6666
解压完成后得到以下三个文件：
2.2 生成路径列表
在数据集目录下执行脚本list_dataset_file.py:
python list_dataset_file.py
执行现象如下图所示:
得到训练样本列表文件train.txt和验证样本列表文件valid.txt,如下图所示：
3. 下载yolov5训练源码
通过git工具，在pc端克隆远程仓库（注：此处可能会因网络原因造成卡顿，请耐心等待）：
git clone https://github.com/easy-eai/yolov5.git
得到下图所示目录：
4. 训练算法模型
切换到yolov5的工作目录，接下来以训练一个口罩检测模型为例进行说明。需要修改data/mask.yaml里面的train.txt和valid.txt的路径。
执行下列脚本训练算法模型：
python train.py --data mask.yaml --cfg yolov5s.yaml --weights --batch-size 64
开始训练模型，如下图所示：
关于算法精度结果可以查看./runs/train/results.csv获得。
5. 在pc端进行模型预测
训练完毕后，在./runs/train/exp/weights/best.pt生成通过验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果：
python detect.py --source data/images --weights ./runs/train/exp/weights/best.pt --conf 0.5
6. pt模型转换为onnx模型
算法部署到easy-eai-nano需要转换为rknn模型,而转换rknn之前可以把模型先转换为onnx模型，同时会生成best.anchors.txt：
python export.py --include onnx --rknpu rv1126 --weights ./runs/train/exp/weights/best.pt
生成如下图所示：
7. 转换为rknn模型环境搭建
onnx模型需要转换为rknn模型才能在easy-eai-nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。
7.1 概述
模型转换环境搭建流程如下所示：
7.2 下载模型转换工具
为了保证模型转换工具顺利运行，请下载网盘里”ai算法开发/rknn-toolkit模型转换工具/rknn-toolkit-v1.7.1/docker/rknn-toolkit-1.7.1-docker.tar.gz”。网盘下载链接：https://pan.baidu.com/s/1lutu_-on7ub3kvlojlamka 提取码：teuc
7.3 把工具移到ubuntu18.04
把下载完成的docker镜像移到我司的虚拟机ubuntu18.04的rknn-toolkit目录,如下图所示：
7.4 运行模型转换工具环境
7.4.1 打开终端
在该目录打开终端：
7.4.2 加载docker镜像
执行以下指令加载模型转换工具docker镜像:
docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.1-docker.tar.gz
7.4.3 进入镜像bash环境
执行以下指令进入镜像bash环境:
docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.1 /bin/bash
现象如下图所示:
7.4.4 测试环境
输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:
至此，模型转换工具环境搭建完成。
8. rknn模型转换流程介绍
easy eai nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程如下图所示：
8.1 模型转换demo下载
下载百度网盘链接：https://pan.baidu.com/s/1uaiq6edegidvq7ham7p0jg
提取码：6666把model_convert.tar.bz2解压到虚拟机，如下图所示:
8.2 进入模型转换工具docker环境
执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：
docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert:/test rknn-toolkit:1.7.1 /bin/bash
执行成功如下图所示:
8.3 模型转换操作说明
8.3.1 模型转换demo目录结构
模型转换测试demo由mask_object_detect和quant_dataset组成。coco_object_detect存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:
mask_object_detect文件夹存放以下内容，如下图所示:
8.3.2 生成量化图片列表
在docker环境切换到模型转换工作目录:
cd /test/mask_object_detect/
如下图所示:
执行gen_list.py生成量化图片列表:
python gen_list.py
命令行现象如下图所示:
生成“量化图片列表”如下文件夹所示:
8.3.3 onnx模型转换为rknn模型
rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：
import osimport urllibimport tracebackimport timeimport sysimport numpy as npimport cv2from rknn.api import rknnonnx_model = 'best.onnx'rknn_model = './yolov5_mask_rv1126.rknn'dataset = './pic_path.txt'quantize_on = trueif __name__ == '__main__': # create rknn object rknn = rknn(verbose=true) if not os.path.exists(onnx_model): print('model not exist') exit(-1) # pre-process config print('--> config model') rknn.config(reorder_channel='0 1 2', mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], optimization_level=3, target_platform = 'rv1126', output_optimize=1, quantize_input_node=quantize_on) print('done') # load onnx model print('--> loading model') ret = rknn.load_onnx(model=onnx_model) if ret != 0: print('load yolov5 failed!') exit(ret) print('done') # build model print('--> building model') ret = rknn.build(do_quantization=quantize_on, dataset=dataset) if ret != 0: print('build yolov5 failed!') exit(ret) print('done') # export rknn model print('--> export rknn model') ret = rknn.export_rknn(rknn_model) if ret != 0: print('export yolov5rknn failed!') exit(ret) print('done')
把onnx模型best.onnx放到mask_object_detect目录，并执行rknn_convert.py脚本进行模型转换：
python rknn_convert.py
生成模型如下图所示，此模型可以在rknn环境和easy eai nano环境运行：
8.3.4 运行rknn模型
用yolov5_mask_test.py脚本在pc端的环境下可以运行rknn的模型，如下图所示:
yolov5_mask_test.py脚本程序清单如下所示:
import osimport urllibimport tracebackimport timeimport sysimport numpy as npimport cv2import randomfrom rknn.api import rknnrknn_model = 'yolov5_mask_rv1126.rknn'img_path = './test.jpg'dataset = './dataset.txt'box_thresh = 0.25nms_thresh = 0.6img_size = 640classes = (head, mask)def sigmoid(x): return 1 / (1 + np.exp(-x))def xywh2xyxy(x): # convert [x, y, w, h] to [x1, y1, x2, y2] y = np.copy(x) y[:, 0] = x[:, 0] - x[:, 2] / 2 # top left x y[:, 1] = x[:, 1] - x[:, 3] / 2 # top left y y[:, 2] = x[:, 0] + x[:, 2] / 2 # bottom right x y[:, 3] = x[:, 1] + x[:, 3] / 2 # bottom right y return ydef process(input, mask, anchors): anchors = [anchors[i] for i in mask] grid_h, grid_w = map(int, input.shape[0:2]) box_confidence = sigmoid(input[..., 4]) box_confidence = np.expand_dims(box_confidence, axis=-1) box_class_probs = sigmoid(input[..., 5:]) box_xy = sigmoid(input[..., :2])*2 - 0.5 col = np.tile(np.arange(0, grid_w), grid_w).reshape(-1, grid_w) row = np.tile(np.arange(0, grid_h).reshape(-1, 1), grid_h) col = col.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2) row = row.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2) grid = np.concatenate((col, row), axis=-1) box_xy += grid box_xy *= int(img_size/grid_h) box_wh = pow(sigmoid(input[..., 2:4])*2, 2) box_wh = box_wh * anchors box = np.concatenate((box_xy, box_wh), axis=-1) return box, box_confidence, box_class_probsdef filter_boxes(boxes, box_confidences, box_class_probs): filter boxes with box threshold. it's a bit different with origin yolov5 post process! # arguments boxes: ndarray, boxes of objects. box_confidences: ndarray, confidences of objects. box_class_probs: ndarray, class_probs of objects. # returns boxes: ndarray, filtered boxes. classes: ndarray, classes for boxes. scores: ndarray, scores for boxes. box_scores = box_confidences * box_class_probs box_classes = np.argmax(box_class_probs, axis=-1) box_class_scores = np.max(box_scores, axis=-1) pos = np.where(box_confidences[...,0] >= box_thresh) boxes = boxes[pos] classes = box_classes[pos] scores = box_class_scores[pos] return boxes, classes, scoresdef nms_boxes(boxes, scores): suppress non-maximal boxes. # arguments boxes: ndarray, boxes of objects. scores: ndarray, scores of objects. # returns keep: ndarray, index of effective boxes. x = boxes[:, 0] y = boxes[:, 1] w = boxes[:, 2] - boxes[:, 0] h = boxes[:, 3] - boxes[:, 1] areas = w * h order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x[i], x[order[1:]]) yy1 = np.maximum(y[i], y[order[1:]]) xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]]) yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]]) w1 = np.maximum(0.0, xx2 - xx1 + 0.00001) h1 = np.maximum(0.0, yy2 - yy1 + 0.00001) inter = w1 * h1 ovr = inter / (areas[i] + areas[order[1:]] - inter) inds = np.where(ovr dst_height: image_max_len = dst_width gain = img_size / image_max_len resized_height = dst_height * gain height_pading = (img_size - resized_height)/2 print(height_pading:, height_pading) y1 = (y1 - height_pading) y2 = (y2 - height_pading) print(gain:, gain) dst_x1 = int(x1 / gain) dst_y1 = int(y1 / gain) dst_x2 = int(x2 / gain) dst_y2 = int(y2 / gain) return dst_x1, dst_y1, dst_x2, dst_y2def plot_one_box(x, img, color=none, label=none, line_thickness=none): tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1 # line/font thickness color = color or [random.randint(0, 255) for _ in range(3)] c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3])) cv2.rectangle(img, c1, c2, color, thickness=tl, linetype=cv2.line_aa) if label: tf = max(tl - 1, 1) # font thickness t_size = cv2.gettextsize(label, 0, fontscale=tl / 3, thickness=tf)[0] c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3 cv2.rectangle(img, c1, c2, color, -1, cv2.line_aa) # filled cv2.puttext(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, linetype=cv2.line_aa)def draw(image, boxes, scores, classes): draw the boxes on the image. # argument: image: original image. boxes: ndarray, boxes of objects. classes: ndarray, classes of objects. scores: ndarray, scores of objects. all_classes: all classes name. for box, score, cl in zip(boxes, scores, classes): x1, y1, x2, y2 = box print('class: {}, score: {}'.format(classes[cl], score)) print('box coordinate x1,y1,x2,y2: [{}, {}, {}, {}]'.format(x1, y1, x2, y2)) x1 = int(x1) y1 = int(y1) x2 = int(x2) y2 = int(y2) dst_x1, dst_y1, dst_x2, dst_y2 = scale_coords(x1, y1, x2, y2, image.shape[1], image.shape[0]) #print(img.cols:, image.cols) plot_one_box((dst_x1, dst_y1, dst_x2, dst_y2), image, label='{0} {1:.2f}'.format(classes[cl], score)) ''' cv2.rectangle(image, (dst_x1, dst_y1), (dst_x2, dst_y2), (255, 0, 0), 2) cv2.puttext(image, '{0} {1:.2f}'.format(classes[cl], score), (dst_x1, dst_y1 - 6), cv2.font_hershey_simplex, 0.6, (0, 0, 255), 2) '''def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)): # resize and pad image while meeting stride-multiple constraints shape = im.shape[:2] # current shape [height, width] if isinstance(new_shape, int): new_shape = (new_shape, new_shape) # scale ratio (new / old) r = min(new_shape[0] / shape[0], new_shape[1] / shape[1]) # compute padding ratio = r, r # width, height ratios new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r)) dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding dw /= 2 # divide padding into 2 sides dh /= 2 if shape[::-1] != new_unpad: # resize im = cv2.resize(im, new_unpad, interpolation=cv2.inter_linear) top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) im = cv2.copymakeborder(im, top, bottom, left, right, cv2.border_constant, value=color) # add border return im, ratio, (dw, dh)if __name__ == '__main__': # create rknn object rknn = rknn(verbose=true) print('--> loading model') ret = rknn.load_rknn(rknn_model) if ret != 0: print('load rknn model failed') exit(ret) print('done') # init runtime environment print('--> init runtime environment') ret = rknn.init_runtime() # ret = rknn.init_runtime('rv1126', device_id='1126') if ret != 0: print('init runtime environment failed') exit(ret) print('done') # set inputs img = cv2.imread(img_path) letter_img, ratio, (dw, dh) = letterbox(img, new_shape=(img_size, img_size)) letter_img = cv2.cvtcolor(letter_img, cv2.color_bgr2rgb) # inference print('--> running model') outputs = rknn.inference(inputs=[letter_img]) print('--> inference done') # post process input0_data = outputs[0] input1_data = outputs[1] input2_data = outputs[2] input0_data = input0_data.reshape([3,-1]+list(input0_data.shape[-2:])) input1_data = input1_data.reshape([3,-1]+list(input1_data.shape[-2:])) input2_data = input2_data.reshape([3,-1]+list(input2_data.shape[-2:])) input_data = list() input_data.append(np.transpose(input0_data, (2, 3, 0, 1))) input_data.append(np.transpose(input1_data, (2, 3, 0, 1))) input_data.append(np.transpose(input2_data, (2, 3, 0, 1))) print('--> transpose done') boxes, classes, scores = yolov5_post_process(input_data) print('--> get result done') #img_1 = cv2.cvtcolor(img, cv2.color_rgb2bgr) if boxes is not none: draw(img, boxes, scores, classes) cv2.imwrite('./result.jpg', img) #cv2.imshow(post process result, img_1) #cv2.waitkeyex(0) rknn.release()
执行后得到result.jpg如下图所示:
8.3.5 模型预编译
由于rknn模型用npu api在easy eai nano加载的时候启动速度会好慢，在评估完模型精度没问题的情况下，建议进行模型预编译。预编译的时候需要通过easy eai nano主板的环境，所以请务必接上adb口与ubuntu保证稳定连接。板子端接线如下图所示，拨码开关需要是adb：
虚拟机要保证接上adb设备：
由于在虚拟机里ubuntu环境与docker环境对adb设备资源是竞争关系，所以需要关掉ubuntu环境下的adb服务，且在docker里面通过apt-get安装adb软件包。以下指令在ubuntu环境与docker环境里各自执行：
在docker环境里执行adb devices,现象如下图所示则设备连接成功：
运行precompile_rknn.py脚本把模型执行预编译：
python precompile_rknn.py
执行效果如下图所示，生成预编译模型yolov5_mask_rv1126_pre.rknn：
至此预编译部署完成，模型转换步骤已全部完成。生成如下预编译后的int8量化模型：
9. 模型部署示例
9.1 模型部署示例介绍
本小节展示yolov5模型的在easy eai nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。
9.2 准备工作
9.2.1 硬件准备
easy eai nano开发板，microusb数据线，带linux操作系统的电脑。需保证easy eai nano与linux系统保持adb连接。
9.2.2 交叉编译环境准备
本示例需要交叉编译环境的支持，可以参考在线文档“入门指南/开发环境准备/安装交叉编译工具链”。链接为:https://www.easy-eai.com/document_details/3/135。
9.2.3 文件下载
下载yolov5 c demo示例文件。百度网盘链接:https://pan.baidu.com/s/1xmxu9putp_qsytsqpqxmdq提取码：6666下载解压后如下图所示:
9.3 在easy eai nano运行yolov5 demo
9.3.1 解压yolov5 demo
下载程序包移至ubuntu环境后，执行以下指令解压：
tar -xvf yolov5_detect_c_demo.tar.bz2
9.3.2 编译yolov5 demo
执行以下脚本编译demo：
./build.sh
编译成功后如下图所示:
9.3.3 执行yolov5 demo
执行以下指令把可执行程序推送到开发板端：
adb push yolov5_detect_demo_release/ /userdata
登录到开发板执行程序:
adb shell
执行结果如下图所示，算法执行时间为50ms:
取回测试图片:
adb pull /userdata/yolov5_detect_demo_release/result.jpg .
测试结果如下图所示:
10. 基于摄像头的ai demo
10.1 摄像头demo介绍
本小节展示yolov5模型的在easy eai nano执行摄像头demo的过程，该模型仅经过简单训练供示例使用，不保证模型精度。
10.2 准备工作
10.2.1 硬件准备
easy-eai-nano人工智能开发套件(包括:easy eai nano开发板，双目摄像头，5寸高清屏幕，microusb数据线），带linux操作系统的电脑,。需保证easy eai nano与linux系统保持adb连接。
10.2.2 交叉编译环境准备
本示例需要交叉编译环境的支持，可以参考在线文档“入门指南/开发环境准备/安装交叉编译工具链”。链接为:https://www.easy-eai.com/document_details/3/135。
10.2.3 文件下载
摄像头识别demo的程序源码可以通过百度网盘下载：
https://pan.baidu.com/s/18cap4yt_lhdz5xahg-l1lw（提取码：6666 ）。下载解压后如下图所示:
10.3 在easy eai nano运行yolov5 demo
10.3.1 解压yolov5 camera demo
下载程序包移至ubuntu环境后，执行以下指令解压：
tar -xvf yolov5_detect_camera_demo.tar.tar.bz2
10.3.2 编译yolov5 camera demo
执行以下脚本编译demo：
./build.sh
编译成功后如下图所示:
10.3.3 执行yolov5 camera demo
执行以下指令把可执行程序推送到开发板端：
adb push yolov5_detect_camera_demo_release/ /userdata
登录到开发板执行程序:
adb shell
测试结果如下图所示:
11. 资料下载
资料名称 链接
训练代码github https://github.com/easy-eai/yolov5
算法教程完整源码包 https://pan.baidu.com/s/1-78z8jopyoagevfg0i_wza
提取码：6666
硬件外设库源码github https://github.com/easy-eai/easy-eai-toolkit-c-sdk
12. 硬件使用
本教程使用的是easy eai nano（rv1126）开发板easy eai nano是基于瑞芯微rv1126 处理器设计，具有四核cpu@1.5ghz与npu@2tops ai边缘计算能力。实现ai运算的功耗不及所需gpu的10%。配套ai算法工具完善，支持tensorflow、pytorch、caffe、mxnet、darknet、onnx等主流ai框架直接转换和部署。有丰富的软硬件开发资料，而且外设资源丰富，接口齐全，还有丰富的功能配件可供选择。集成有以太网、wi-fi 等通信外设。摄像头、显示屏（带电容触摸）、喇叭、麦克风等交互外设。2 路 usb host 接口、1 路 usb device 调试接口。集成协议串口、tf 卡、io 拓展接口（兼容树莓派/jetson nano拓展接口）等通用外设。内置人脸识别、安全帽监测、人体骨骼点识别、火焰检测、车辆检测等各类 ai 算法，并提供完整的 linux 开发包供客户二次开发。
easy-eai-nano产品在线文档：
https://www.easy-eai.com/document_details/3/143
本篇文章到这里就结束啦，关于我们更多请前往官网了解
https://www.easy-eai.com
后续更多教程关注我们，不定时更新各种新品及活动
电动法兰蝶阀的操作规则及注意事项
凌力尔特公司推出双通道和单通道ADC
光伏靠补贴生存？可再生能源补贴为什么入不敷出？
使用RZ/V微处理器进行AI评估
土壤水分检测仪的性能介绍
yolov5训练部署全链路教程
BTB连接器的环境性能测试中弹片微针模组的应用
外媒评选2017年度最佳CPU 英特尔拿下四分之一
无线降噪耳机NANK南卡和AirPods Pro哪个好用？
光合作用测定仪的简单介绍
蓝相液晶又来了，它是OLED推广最大挑战
技巧！晶振老化率影响及降低方法
全球首批量产L4级别无人驾驶巴士在佛山投入使用
PLC与PAC市场报告发布 未来四年或缓慢增长
PULSE500后备式工频机三角波形成电路
智能手机为什么能显示运营商名称？
伦敦大学安装户外照明装置 可提供额外的安全保障
我国通信行业终端补贴的发展历程介绍
东航已向中国商飞公司签署了购买35架ARJ21-700飞机的协议
亲爱的，我的充电线在哪里？