关于如何将pytorch模型转换为onnx及onnx转换为rknn

最新推荐文章于 2025-04-03 00:47:04 发布
最新推荐文章于 2025-04-03 00:47:04 发布
阅读量454 收藏 4
点赞数 5
分类专栏： 机器学习、深度学习 文章标签： pytorch 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/A___Tiger/article/details/136530662
版权
  • pytorch模型的训练

1、数据集划分及转化

数据集根据我自身的需要我将其划分为如下

 Annotations里面存放着xml格式的标签文件

JPEGImages里面存放着照片数据文件

然后利用数据集转换.py 中的代码进行转换，

最低0.47元/天 解锁文章
将ONNX模型转化为RKNN模型
web_bug407的博客
09-24 2532
在本文中，我们将探讨如何将ONNX模型转化为RKNN模型，以在RK1126平台上进行推理。在本文中，我们将探讨如何将ONNX模型转化为RKNN模型，以在RK1126平台上进行推理。现在，我们已经成功将ONNX模型转化为RKNN模型，并将其导出到了文件中。现在，我们已经成功将ONNX模型转化为RKNN模型，并将其导出到了文件中。在加载了ONNX模型后，我们需要对模型进行编译和量化，以便在RK1126平台上进行推理。在加载了ONNX模型后，我们需要对模型进行编译和量化，以便在RK1126平台上进行推理。
将onnx模型转化为RV1126平台的rknn模型
cumtchw
03-08 3715
以下是将onnx模型转化为RV1126平台的rknn模型的脚本。 import os import sys import numpy as np from rknn.api import RKNN ONNX_MODEL = 'mask.onnx' RKNN_MODEL = 'yolov5s_mask.rknn' if __name__ == '__main__': # Create RKNN object rknn = RKNN(verbose=True) # pre-p
pytorch模型转换为rknn模型，使用npu推理
振华OPPO的博客世界
10-24 8110
然后在rknn文件夹下，找到onnx2rknn.py、dataset.txt和coco2017数据集，将它们复制到新的文件夹中，作为rknn模型转换目录。🎼量化精度分析：该功能将给出模型量化前后每一层推理结果与浮点模型推理结果的余弦距离，以便于分析量化误差是如何出现的，为提高量化模型的精度提供思路。🏋性能和内存评估：将 RKNN 模型分发到指定 NPU 设备上运行，以评估模型在实际设备上运行时的性能和内存占用情况。pt模型的输入图像的通道一定要和转换时的图像通道数相同，对于RGB图像肯定是3通道。
onnx篇---onnx转换成rknn
心惠天意
08-17 5742
多张图预测 # -- coding: utf-8 -- import os import urllib import traceback import time import sys import numpy as np import cv2 from matplotlib import pyplot as plt from rknn.api import RKNN def show_outputs(outputs): # output = outputs[0][0] output =
YoloV5的Onnx模型转RKNN模型(包成功，最详细)
最新发布
chui_yu666的博客
04-03 1045
下面是前期准备：1.环境存储：建议100G以上(我感觉50G左右可能够)2.文件rknn-toolkit2-1.4.0.zip(下载链接见4.其它)onnx模型(算子集版本小于等于 12,具体原因详见4.其它中的3.1报错提示)验证图片模型的类别3.方式本博客使用VMware虚拟机以及VMware共享文件夹实现虚拟机和主机之间的互传文件。
yolov5_for_rknn:PyTorch中的YOLOv5> ONNX> RKNN
05-10
原版仓库： 修改版 yolov5 使用方法 环境要求：python version >= 3.6 模型训练：python3 train.py 模型导出：python3 models/export.py --weights "xxx.pt" 转换rknn：python3 onnx_to_rknn.py 模型推理：python3 rknn_detect_yolov5.py 注意事项：如果训练尺寸不是640那么，anchors会自动聚类重新生成，生成的结果在训练时打印在控制台，或者通过动态查看torch模型类属性获取，如果anchors不对应那么结果就会出现问题。 建议：在训练时如果size不是640，那么可以先通过聚类得到anchors并将新的anchors写入到模型配置文件中，然后再训练，防止动态获取的anchors在rknn上预测不准的问题。训练参数别忘记加上 --noautoanchor
【yolov5】onnx转rknn
qq_56187001的博客
01-20 1779
进入解压后的文件夹examples/onnx/yolov5文件夹中，此时可以看到的目录结构，其中test.py为转换文件，dataset.txt为则是图片的名字，bus.jpg为测试图片，还会有一个官方提供的yolov5的onnx模型。我在最初进行转换后不能用官方的demo，一旦运行，香橙派直接死机，我是按照这个大佬重新下载了1.5.2的包。而后输出检测结果，并且在该文件中输出一张在rk3588上模拟运行的图片，在这里可以完成，通常说明已经完成了模型的转换。进去后直接下载即可，在虚拟机中解压。
yolov5 onnx模型 转为 rknn模型
weixin_45824067的博客
07-28 4745
这一步是把准备好的一些图片，生成图片路径的文本文件，在构建RKNN模型的时候有用处。通过使用真实的样本数据集，RKNN工具可以更好地理解和建模模型的输入数据，从而更好地优化网络结构、权重和量化方案。这一步如果是在虚拟机上运行的话，8GB的内存条win10系统也要用，分配给虚拟机的没多少，3GB也不够执行这一步。后来我直接在Ubuntu系统执行这一步，8GB系统用一点还剩6.7GB，CPU和内存直接干满。还是在docker环境 模型转换工作目录，运行rknn_convert.py。为映射到docker镜像。
Pytorch模型如何转rknn模型（基于SSD的目标检测算法）
weixin_41166529的博客
06-06 4628
Pytorch模型（基于SSD的目标检测算法）如何转为rknn模型
YOLOV8模型转换-ONNX-RKNN
10-12
首先，我们需要将这个PT模型转换为ONNX（Open Neural Network Exchange）格式。ONNX是一种开放标准，能跨框架表示深度学习模型，便于不同平台之间的模型迁移。在PyTorch中，可以使用`torch.onnx.export()`函数完成此...
pytorch模型转onnx-量化rknn（bisenet）
橙子Blue不加冰
01-26 9619
1.pytorch模型转化onnx 先把pytorch的.pth模型转成onnx,例如我这个是用Bisenet转的 import argparse import os.path as osp import sys sys.path.insert(0, '.') import torch from lib.models import model_factory from configs import set_cfg_from_file torch.set_grad_enabled(False) pa
模型部署之——ONNX模型转RKNN
Ceri的博客
12-27 3084
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
模型部署——使用rknn-toolkit将Pytorch模型转为RKNN模型（详细图文教程）
qq_40280673的博客
02-24 9412
使用rknn-toolkit将Pytorch模型转为RKNN模型
onnx模型转rknn到部署
06-28 2647
最近开始用3568的板子，之前是在用3399，cpu的话3399比3568强，但是3568有1T的npu算力，所以模型移植过来用npu使用，之前用ncnn感觉太慢了，rk的npu使用没有开源，所以没法兼容，只能跑rknn了。有些版本可以有限制，无法查询当前的命令，但是如果代码能够正常执行就行。这里采用的模型是 insightface 的 det_500m.onnx 模型，用来做人脸目标检测。
官方yolo v8模型通过onnx转为rknn模型在rocketchip上运行的trick
sinat_14910583的博客
02-07 2362
以上是本菜鸡的一些粗略的踩坑记录，希望对同样困扰的伙伴有所帮助。若有大神路过请留言指导，拯救一下我这个小白。
【rknn】onnx转rknn脚本解读以及函数解读(版本V1.7.3)
sazass的博客
02-22 5915
创建rknn对象。rknn的参数配置，这个函数需要设置的参数细节很多。加载onnx模型构建rknn模型模型转换并输出rknn模型接下来，依次具体介绍上述这些函数，以及包含的所有参数和默认值。建议直接在官网github上找到最新的整体流程图：当前介绍的rknn-api版本是V1.7.3。
.onnx模型转.rknn模型方法详解
weixin_58183392的博客
04-03 3274
将上面的your onnx model换成自己的onnx名称，运行这段代码，既可在工作目录下生成一个名为。将所需环境安装好以后就可以新建一个：onnx2rknn.py的文件，用于模型转换。的文件夹，生成的rknn模型就在这个文件夹下。首先安装对应的onnx和rknn相关环境。
瑞芯微1808模型转换(onnx到rknn)环境配置过程
qq_46396470的博客
01-30 1241
→→。
PC端运行yolov5官方demo：onnx文件转rknn并仿真
glory的博客
08-24 2095
官方demo路径 首先，修改config的参数加上 target_platform = 'rv1126' 然后 init_runtime(target='rv1126', device_id='xxx') 注意，我的第一个修改是这样 rknn.load_onnx(model=ONNX_MODEL, outputs=['output', '317', '337'])#,outputs=['396', '458', '520'] 查看输出 print(input0_data.sha...
pt模型转换成onnx模型再转换rknn模型
04-04
要将PT模型转换为ONNX模型，可以使用PyTorch提供的torch.onnx.export方法。首先需要将PT模型加载到PyTorch中，然后调用torch.onnx.export方法将其转换为ONNX格式。例如： ``` import torch import torchvision # Load the PyTorch model model = torchvision.models.resnet18(pretrained=True) # Export the model to ONNX format dummy_input = torch.randn(1, 3, 224, 224) input_names = ["input"] output_names = ["output"] torch.onnx.export(model, dummy_input, "resnet18.onnx", verbose=True, input_names=input_names, output_names=output_names) ``` 这将导出名为“resnet18.onnx”的ONNX模型。 要将ONNX模型转换为RKNN模型，可以使用Rockchip提供的rknn工具包。首先需要安装rknn工具包并将ONNX模型转换为rknn格式。例如： ``` rknn-toolkit/rknn-api/tools/RKNNConvertTool/RKNNConvertTool -i resnet18.onnx -o resnet18.rknn -t rknn ``` 这将导出名为“resnet18.rknn”的RKNN模型。 注意：将PT模型转换为ONNX模型时，需要确保模型的所有操作都可以被ONNX格式支持，否则可能无法成功转换。在将ONNX模型转换为RKNN模型时，需要确保模型可以在Rockchip芯片上运行，并且需要根据芯片的限制进行优化和调整。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

A Tiger

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值