yolov5 rknn部署全流程记录

原创 已于 2022-04-29 08:57:41 修改 · 2.4k 阅读 · 8 ·
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：

#深度学习

于 2021-12-09 10:54:21 首次发布
本文详细介绍了如何使用Yolov5模型进行训练，并在虚拟机中配置rknntoolkit环境。接着，重点讲解了基于rknn的友好模型进行Yolov5的转换和导出流程。最后，展示了在RK3399Pro芯片上用C代码运行模型的实践步骤，为嵌入式AI应用提供了参考。

引言

1 yolov5模型训练和导出

2 虚拟机安装rknn toolkit环境

3 基于rknn友好模型的yolov5训练导出及转换

https://blog.youkuaiyun.com/phker/article/details/121084160
https://github.com/airockchip/yolov5

4 c代码在rk3399pro运行

基于RKNN的YOLOv5安卓Demo
hanshiying007的博客
04-08 2681
基于RKNPU2 SDK 1.6.0版的安卓YOLOv5演示应用程序，选择图片进行对象检测并显示识别结果。
RK3588芯片NPU的使用：官方rknn_yolov5_android_apk_demo运行与解读
懒人的技术笔记
04-24 2546
本文将完成两项任务： - 官方的调用摄像头动态目标识别例子运行在rk3588的开发板上。 - 解读源码以增加对rknn开发的认识。
rknn-yolov5-android-apk-demo
06-28
rknn_yolov5_android_apk_demo
什么是RKNN？
最新发布
小小老大MUTA的博客
11-11 537
RKNN 以及 .rknn文件
YOLOv5训练自己的数据及rknn部署
mu_xing_的博客
01-21 1977
这样，YOLOv5会在数据加载时创建train.cache文件。该属性是1.6版本新增加的，所以升级pytorch1.6及以上。该属性是1.6版本新增加的，所以升级pytorch1.6及以上。说明内存不足，修改batch的数量，由16改为8或者更小的数。一切准备就绪后，可以开始训练模型。错误原因：索引应该为整型，而不是浮点型，应该利用。文件夹中选择一个适合你任务的模型配置文件（例如。），可以根据需要进行调整，例如修改。参数以匹配你的类别数量。通过运行YOLOv5的。文件夹中创建一个新的。
yolov5训练并生成rknn模型部署在RK3588开发板上，实现NPU加速推理
m0_62919535的博客
03-24 1万+
RK3588是瑞芯微（Rockchip）公司推出的一款高性能、低功耗的集成电路芯片。它采用了先进的28纳米工艺技术，并配备了八核心的ARM Cortex-A76和Cortex-A55处理器，以及ARM Mali-G76 GPU。该芯片支持多种接口和功能，适用于广泛的应用领域。本篇为yolov5部署在RK3588的教程。接着将训练好的best.pt放在工程文件夹下，使用yolov5工程中的export.py将其转换为onnx模型。
【yolov5转换为rknn模型过程中的问题】
weixin_47869094的博客
08-17 1838
与此同时，发现yolo v5更新到了v7.0.0的版本，于是就想着把yolo 进行升级，同时将pytorch版本也更新到最新的2.1.0，这样就可以采用torch.onnx.dynamo_export 进行转onnx模型的操作尝试了。注意到rknn模型的转换用到了dataset.txt，它指定的是原版COCO训练下的yolov8的图片，而现在的自定义数据集中没有这样的图片。同时发现，量化后的rknn模型，在config阶段改变量化的方式，确实会提升模型的性能，且几乎接近于未量化的模型版本。
rock3a: 基于自建数据集+yolov5s模型的rknn模型训练部署全流程
linxizi0622的博客
01-09 2092
rock3a: 基于自建数据集+yolov5s模型的rknn模型训练部署全流程
C++部署Yolov5模型流程记录
guoqingru0311的博客
08-22 438
C++部署Yolov5模型流程记录
关于yolov5模型转换为rknn
weixin_44220689的博客
09-29 3595
关于yolov5模型转换为rknn的相关流程和问题记录
实例分割 训练yolov5实例分割模型详细记录 rk3588部署yolov5实例分割模型全程记录
guoqingru0311的博客
07-15 447
实例分割 训练yolov5实例分割模型详细记录 rk3588部署yolov5实例分割模型全程记录
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训练并生成rknn模型以及3588平台部署
热门推荐
m0_51714298的博客
07-21 1万+
瑞芯微RK3588上yolov5目标检测的部署。
yolov5训练的pt模型，转换为rknn并部署在瑞芯微RK3588开发板
m0_62588333的博客
07-28 1137
一、下载源码在GitHub中搜索并下载yolov5的源代码，然后放在自己部署好的项目环境。直接用下面的命令即可部署适合yolov5的环境，至于缺什么库，什么版本不对的可以百度查一下。
yolov5-5.0模型部署--pt模型转换为rknn模型并部署在RK3588开发板上（小白保姆级教学）
LMH564123的博客
07-27 4762
.1 使用正确版本的yolov5进行训练(平台：x86机器ubuntu22.04系统)2. best.pt转换为best.onnx(平台：x86机器ubuntu22.04系统).3 best.onnx转换为best.rknn（平台：x86机器ubuntu22.04系统）3.1 环境准备和工具包安装3.2 onnx转换为rknn 4 RK3588部署rknn实现NPU加速（平台：aarch板子Linux系统）
Yolov5 转换成 RKNN模型
weixin_43999691的博客
08-11 1万+
Yolov5 转换成 RKNN模型
【边缘设备】yolov5训练与rknn模型导出并在RK3588部署~5.模型部署（亲测有效）
05-08 3090
rknn模型在板端进行 c++ 推理应用
【yolov5系列】将模型部署到瑞芯微RK3566上面
magic_ll的博客
06-19 1万+
量化的图片的shape和网络输入如果不一致，这里会自动resize，所以为了保证精度，我们的量化数据集的shape尽量与输入一致。我们需要注意下，对于RK1126相似系列的代码中模型转换时，模型build时，有个预编译参数，仿真时和端侧运行时的设置是不一致且不通用的。这里的buf的设置时，一定保证图片的大小和网络的输入是相同的尺寸。当然在其它芯片上的操作类似，差别会在具体的API的调用上。上图分别获取的内容：rk的版本信息、模型的输入输出数量的信息、输入节点相关的信息、输出节点相关的信息。
Yolov5笔记--RKNN推理部署源码的粗略理解
牵一只蜗牛去散步
05-27 5763
1--基础知识 ①Yolov5的输出 格式一般为a ×b × c × 85的形式，其中a*b*c表示框的数目，85则涵盖框的位置信息（x，y，w，h）、置信度Pc和80个类别的预测概率c1，...，c80。下图展示了不同版本Yolov5的输出信息： ②阈值过滤锚框 简要介绍两种过滤锚框的方法： A：利用置信度（box_confidence，即Pc）和预测概率（box_class_probs，即c1，...，c80）计算锚框的得分（box_scores），如果最高的得分高于过滤阈值（thr.
YOLOv8转rknn部署至RK3588
10-24
部署流程中要特别提醒板端Python环境和C++推理的选择，这对延迟敏感场景很关键。另外用户引用的教程都提到rknn-toolkit-lite，虽然ta说没时间验证，但这个轻量部署工具确实值得推荐。 技术难点预判有三个：一是ONNX...
评论 10
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