AX620A转换yolo系列模型踩坑

原创 已于 2023-06-01 15:03:14 修改 · 1k 阅读 · 6 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #python #开发语言

于 2023-05-31 16:43:20 首次发布
文章介绍了在AX620A平台上转换YOLOV5和YOLOV8模型时遇到的问题及解决方案。YOLOV5转换需要注意pytorch版本不能高于1.13.0，并在使用onnx-modifier时勾选shapeinference和cleanup选项。而YOLOV8转换的关键是使用python脚本直接导出模型，因原有导出命令行工具可能未更新。转换过程在12代i5CPU上耗时较长，对多线程支持不佳。

AX620A转换yolo系列模型踩坑

文章目录

前言

去年记录了如何在ax620a下使用工具链转换自训练yolov5模型：AX620A运行yolov5s自训练模型全过程记录
但今天由于各种环境发生变化了，再去这样转换的话，就会报错失败。
在这里插入图片描述
经过一番查找，发现是pytorch版本更新导致的。其实社区有文章已经更新了yolov5和yolov8的模型转换方法，但是仍然有坑点，如果不注意的话还是会失败。

一、YOLOV5转换

社区文章看这里：[m3axpi] YOLOv5训练到部署全流程
其实主要问题就是pytorch版本不能大于1.13.0。如果是使用1.13.0之后版本的话，按照文章第二种方法，使用onnx-modifier图形化工具删去后处理算子。但在编辑完成下载新模型时，一定要勾选shape infrernce和clean up两个选项，再download导出，否则转换时还是会报错失败。
在这里插入图片描述

二、YOLOV8转换

最低0.47元/天 解锁文章
flamebox
关注
yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）
qq_34717531的博客
12-15 6万+
YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。
AX620A运行yolov5s自训练模型全过程记录（windows）
flamebox的博客
10-11 4324
上一篇文章《ubuntu22.04搭建AX620A官方例程开发环境》记录了AX620A开发环境的搭建，这段时间板子终于到手了，尝试了一下怎么跑自己训练的yolov5模型，将整个过程记录一下。
AI 边缘计算平台 - 爱芯元智 AX620A 爱芯派开箱
weixin_43978579的博客
11-22 5310
最近疫情有点猛，宅在家里，没事找点事干，撸撸板子吧。 拿出来趁着双 11 优惠，花了 520 RMB / 块，买的两块爱芯派（套餐），来个开箱贴，顺便测试一下开发板的串口、网口、音频、摄像头、屏幕，以及 NPU。 作为一款能耗有很大优势的 AI 边缘计算平台，当然也要测试一下不同工作状态下的功耗情况。
ubuntu22.04搭建AX620A官方例程开发环境
flamebox的博客
09-29 3388
爱芯元智旗最新的AX620A，是一款兼具高算力、低功耗、高能效比、高算力利用的ai方案芯片。作为第二代自研边缘侧芯片，AX620A搭载有四核Cortex-A7 CPU、14.4TOPs@INT4或3.6TOPs@INT8 的高算力NPU，支持多路sensor同时工作，支持多路子码流，支持千兆Ethernet。除此之外，AX620A不但能够满足传统的智慧城市、智能家居应用需求，还因为其功耗极小，能够满足电池应用方案的功耗需求，兼顾IOT、智能运动相机、手机等应用场景，尤其在快速唤醒类产品领域拥有卓越表现。
【深度学习】使用爱芯派AX620a板子录制h256格式视频
梁山1号
05-26 1016
使用Maix-III板子录制h256格式视频
YOLOv8实战-模型推理及部署
代码改着改着就疯了，疯着疯着就对了
04-24 3357
经过模型训练及测试，我们得到了保存在 ‘./runs/detect/train/weights/’ 下的pt类型文件，这种文件保存的是模型的权重信息，为便于进一步推理和部署，需要将pt文件转为onnx格式，再转为engine格式，下面介绍具体实现步骤。
The Pipeline example based on AXear-Pi (AX620A) , AXera-Pi.zip
04-25
这里为你收集整理了关于AI，机器学习，深度学习相关的资料一份，质量非常高，如果你投入时间去研究几天相信肯定对你有很大的帮助。到时候你会回来感谢我的。 本资源是经过本地编译测试、可打开、可运行的文件或源码...
爱芯派AX620A开箱评测：低功耗高性能AI边缘计算平台实测
更重要的是，爱芯元智提供了配套的SDK（Software Development Kit），封装了NPU调用接口、模型转换工具（如将PyTorch/TensorFlow模型转为axmodel格式）、性能分析器等组件，极大降低了AI算法移植门槛。 关于AI性能...
AX630A开发板数据手册
08-09
AX630A 是一款高算力，高能效比的 SoC 芯片。芯片集成了四核A53CPU28.8TOPs@INT4 高算力的 NPU，支持 4K@60fps 的 ISP，以及支持 H.264、H.265 编解码的视频编解码。得益于自研 ISP 与 NPU 的联合架构设计，AX630A 拥有了较好的暗光图像视频处理能力。即便在低亮度环境中，依然能够捕捉丰富的光影明暗细节，从而呈现出近似电影般的成像质感。AX630A 在密集场景下智能分析能力同样优秀，这也使得 AX630A 适用于智慧城市、智慧交通等多种领域。在实际的应用中，也体现出了 AX630A 的高画质、全智能、全感知的能力优势。
OpenCV 4.x交叉编译
Tom的博客
05-23 1239
编译 0、下载代码： git clone -b 4.5.5 https://github.com/opencv/opencv.git 1、配置编译工具链，新建文件ax620a.toolchain.cmake，其内容如下： set(CMAKE_SYSTEM_NAME Linux) set(CMAKE_SYSTEM_PROCESSOR arm) set(CMAKE_C_COMPILER "arm-linux-gnueabihf-gcc") set(CMAKE_CXX_COMPILER "arm-linux
无人机视角航拍河道巡检植被淤泥垃圾检测数据集VOC+YOLO格式2777张12类别
FL1623863129的博客
12-06 256
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["bridges","buildings","cultverts","drinage_manmade","drinage_natural","obstacles","potholes","river_vegitation","rivers","rocks","silts","trash"]drinage_natural (自然排水沟) 框数 = 307。标注数量(txt文件个数)：2777。
智慧城市道路路面垃圾检测数据集VOC+YOLO格式3321张17类别
FL1623863129的博客
12-06 338
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)colored_glass_bottles (彩色玻璃瓶) 框数 = 273。plastic_bottle (塑料瓶) 框数 = 1260。pile_of_leaves (落叶堆) 框数 = 392。glass_bottle (玻璃瓶) 框数 = 260。plastic_bag (塑料袋) 框数 = 714。cans (易拉罐) 框数 = 686。
易拉罐凹陷，变形等缺陷识别数据集，1326张标注图片，正确识别率可达98.5%,支持yolo，coco json，pascal voc xml格式的标注
网易搬砖头
12-04 392
训练指标：标签：CrumbledDentedPancakedPristine数据集拆分训练集：2783图片验证集：265图片测试集133图片预处理自动定向： 应用调整大小： 拉伸至 640x640灰度： 应用增强翻转： 水平旋转角度： 介于 -15° 和 +15° 之间模糊： 最高 2.5 像素。
MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭
Coovally_AI的博客
12-04 711
为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。这是一种专门为农业领域设计的轻量级跨数据集增强目标检测方法，它不仅在YOLOv9的基础上实现了显著突破，更在复杂多变的农业场景中展现出了令人瞩目的性能表现。
基于深度学习的35种鸟类检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
12-05 723
本文介绍了一个基于YOLO系列算法的鸟类识别系统，支持35种鸟类的实时检测。系统采用Python3.10开发，前端界面使用PyQt5，数据库为SQLite。通过对比YOLOv5/v8/v11/v12模型性能，发现YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统功能包括多模态检测(图片/视频/摄像头)、模型切换、用户管理等，在4000张图片的数据集上训练后，mAP@0.5达到99.5%。该技术为生态监测和科普教育提供了高效工具。
LabelImage+YOLOv8 图片单一目标检测模型训练
这里是一位在代码世界深耕多年的 “老江湖” 的自留地。​ 岁月在履历上添了厚度，却没磨掉敲代码时眼里的光。从调试第一行 hello world 的生涩，到架构复杂系统的从容，那些在键盘敲击声里流过的日夜，都想在这里慢慢梳理
12-03 940
图片单一目标检测的核心是「简化类别、聚焦图片场景」：LabelImage 确保标注准确，YOLOv8 通过参数优化实现快速训练，全程无需处理视频，流程更简洁、效率更高。关键要点：类别数 = 1，标注、转换、配置全程保持一致。图片样本需覆盖多样场景（角度、大小、背景）。训练用轻量化模型（yolov8n.pt），推理时调整conf阈值适配图片。
番茄成熟度检测和识别3：基于深度学习YOLOv12神经网络实现番茄成熟度检测和识别(含训练代码、数据集和GUI交互界面)
最新发布
修行之路
12-07 463
番茄成熟度检测和识别3：基于深度学习YOLOv12神经网络实现番茄成熟度检测和识别(含训练代码、数据集和GUI交互界面)
【AI加持】基于PyQt5+YOLOv8+DeepSeek的结核杆菌检测系统（详细介绍）
懷淰メ的博客
12-04 1141
本文介绍了一套基于PyQt5、YOLOv8和DeepSeek的结核杆菌智能检测系统。该系统通过YOLOv8算法实现高效精准的结核杆菌目标检测，结合PyQt5构建可视化操作界面，支持多数据源输入和检测结果评估。核心功能包括用户登录注册、图像检测、结果导出及多维可视化分析（热力图、直方图等）。系统采用CSV存储数据，利用多线程技术保障流畅运行，为实验室提供了一套集自动化检测与智能分析于一体的解决方案，显著提升了结核病诊断效率和准确性。
OpenCV+YOLOv11+LabelStudio
GalaxySpaceX的博客
12-04 662
OpenCV+YOLOv11+LabelStudio
评论 3
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
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