2022-12-05如何在rv1109~rv1126开发板上部署自己的yolov3模型?


这里面涉及到了C++的知识,本人目前才开始接触,刚学完最基础的部分,所以相关的语言表达可能不太正确,还请大家多多指教(这部分内容也不够细致,主要是提醒一下自己,方便之后继续)

1、获取yolov3模型

本人此次使用的是用自己收集的数据训练的yolov3模型,用于实现识别图片中人物的跌倒和其他行为的作用,只用了少部分数据进行训练,是一个很糙的模型,主要为了熟悉整个流程,作为方法说明,具体方法的参考链接如下:
https://blog.youkuaiyun.com/LJ1120142576/article/details/127681902

**注意:**此处获得的模型是.pt格式的,记得转换为.weights格式的模型(这个在Yolov3的程序里面可以找到对应的功能)

2、模型转换(.weights→.rknn)

这一部分的转换,可以参考官方程序说明进行

注意
①一定要注意模型的格式是.weights,否则模型转不了,总会报错(血的教训啊)
②注意程序中的参数和训练过程的参数保持一致

3、C++编译

这一部分也可以

### RV1126 平台部署 YOLOv5 的详细步骤 #### 准备工作 为了成功在 Rockchip RV1126部署 YOLOv5 模型,需先完成环境搭建并获取必要的工具和资源。 进入 `FastDeploy` 项目中的指定路径来准备安装包: ```bash cd FastDeploy/examples/vision/detection/yolov5/rv1126/cpp/build/install/ ``` [^1] #### 部署过程 通过 ADB 工具可以方便地将编译好的应用程序传输至目标设备。确保已连接好开发板并通过命令行验证连接状态正常之后,可继续后续操作。 构建的 C++ demo 应用程序名为 `yolov5_detect_demo`,该应用实现了 YOLOv5 探测功能,并最终打包成同名可执行文件用于实际运行测试[^2]。 #### 获取预训练模型 对于想要快速上手的朋友来说,可以从官方渠道下载预先训练好的权重文件。这里推荐选用轻量级版本如 `yolov8n-seg` 来减少计算负担[^3]。 #### 实际操作指南 - **确认依赖项**:检查本地机器是否已经配置好了 Android SDK 和 NDK 环境变量;同时也要注意 ARM 架构交叉编译器的存在与否。 - **同步代码库**:克隆最新的 FastDeploy Git 存储库到个人电脑硬盘里,以便随时跟踪上游更新情况以及修复潜在 bug。 - **调整参数设置**:依据具体应用场景修改源码里的超参定义部分,比如输入图片尺寸、置信度阈值等选项。 - **编译生成二进制**:利用 CMake 或者其他自动化脚本启动整个项目的编译流程,直至获得适用于嵌入式系统的专用镜像。 - **上传固件映像**:借助 adb push 命令把刚刚制作出来的 `.bin` 文件传送到远端主机相应位置下等待加载。 - **启动推理引擎**:最后一步就是调用之前提到过的检测示范程序来进行实时物体识别啦!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

LJhaha

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
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