yolov5转成rknn模型

已于 2023-10-25 18:54:58 修改
阅读量8.6k 收藏 22
点赞数 6
分类专栏： rockchips--RV1126 文章标签： 深度学习 人工智能
于 2022-03-10 15:05:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/u013171226/article/details/123401225
版权

目录

1 转换方法

2 yolov5版本问题

3 yolov5的输出格式问题

4 转成rknn模型时的格式问题

1 转换方法

将yolov5的pth模型转成rknn模型，具体方法分两步

  1. 利用yolov5工程中自带的export.py将pt模型转成onnx模型
  2. 利用如下脚本生成rknn模型

将onnx模型转化为RV1126平台的rknn模型_cumtchw-优快云博客

这篇笔记不是为了介绍具体转换方法，而是记录一下中间转换过程中的一些问题。

2 yolov5版本问题

我们想在瑞芯微的板子用C++推理yolov5的rknn模型，目前一般是利用瑞芯微提供的C++ demo

瑞芯微RV1126的YOLOv5官方推理demo

这个demo的后处理针对的三个输出的模型，如果我们想用这个demo，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
yolov5转换成rknn模型----预编译方法
cumtchw
10-21 3097
用如下脚本将yolov5模型转换成rknn模型 if __name__ == '__main__': # Create RKNN object rknn = RKNN() if not os.path.exists(ONNX_MODEL): print('model not exist') exit(-1) # pre-process config print('--> Config model') rknn.c
yolov5训练的pt模型转rknn模型方法流程总结
weixin_45004544的博客
01-07 1462
为了将yolov5训好的pt模型部署在RK3588上，需要先将pt模型转换为rknn模型。
yolov5-7.0实例分割模型转onnx再转rknn，含各个阶段代码
08-22
yolov5-7.0实例分割模型转onnx再转rknn，含各个阶段代码。包括： （1）pt转onnx （2）onnx转rknn及推理 （3）rknn推理
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 1233
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 转换成 RKNN模型
weixin_43999691的博客
08-11 1万+
Yolov5 转换成 RKNN模型
yolov5模型转换rknn
m0_58944591的博客
06-21 1686
用下面板载的程序，这个程序修改于rknn-toolkit2-1.4.0中的examples/onnx/yolov5/text.，测试一下,使用刚转换的best.rknn模型，推理名为images4.jpg的照片。修改rknn-toolkit2-1.4.0/examples/onnx/yolov5/text.py 文件，ONNX_MODEL为刚生成的.onnx文件，RKNN_MODEL为将要转换成.rknn的文件。训练好后导出.rknn模型，best.pt 文件在./run/中。
关于yolov5模型转换为rknn
weixin_44220689的博客
09-29 3405
关于yolov5模型转换为rknn的相关流程和问题记录
模型转换教程：YOLOv5从.pt到.rknn的详细步骤
m0_63292184的博客
06-13 4155
本教程将通过实验的形式，带领你快速完成YOLOv5从.pt到.rknn的格式转换。
yolov8模型转rknn的fp16模型代码
09-26
7. **部署到嵌入式设备**：最后，将转换后的FP16 RKNN模型文件复制到Rockchip开发板上，并使用RKNN运行时库执行模型推理。确保设备上的库和驱动程序与模型兼容。 总结来说，将YOLOv8模型转换为适用于嵌入式开发板的...
部署yolov9的rknn模型python源码+模型+部署说明.zip
05-15
部署yolov9的rknn模型python源码+模型+部署说明.zip部署yolov9的rknn模型python源码+模型+部署说明.zip部署yolov9的rknn模型python源码+模型+部署说明.zip部署yolov9的rknn模型python源码+模型+部署说明.zip部署...
yolov5训练并生成rknn模型部署在RK3588开发板上，实现NPU加速推理
热门推荐
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训练以及模型onnx转换
10-13
目标检测工程备份
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 4444
.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）
【工程项目】训练yolov5模型并转换为rknn部署到RK3588S开发板
欢迎来到最优秀的博客
01-24 4402
环境：Ubuntu20.04、python3.8芯片：RK3568。
【RK3588 第四篇】YOLO V5中pytorch2onnx，pytorch和onnx模型输出不一致，精度降低
钱多多先森
10-13 5157
pytorch转onnx模型发现的问题，以及转rknn出现的精度下降，同时验证了新的pytorch转onnx模型出现的麻烦事
yolov5转rknn,亲测成功
liling的博客
04-07 600
yolo.py第62行,加一行如下,并设置self.export=True。按要求装环境,requirements.txt。2 best.onnx转换为best.rknn。按要求装环境,requirements.txt。下载rknn工程,rknn-toolkit2。这里改一下,常规参数也填好.运行成功.修改export.py文件第571行,然后将pt模型文件转为onnx文件。下载yolov5,我下了最新版本。训练完,得到模型文件.1 配置yolov5。
yolov5训练自己的模型，并转化为onnx模型
qq_56187001的博客
12-22 1078
整个过程比较复杂，但是完整的做完其实还是同有成就感的，大家加油！！！！
yolov5的rknn模型转换详解
sustainable012的专栏
02-26 3870
https://github.com/soloIife/yolov5_for_rknn https://github.com/airockchip/yolov5 坑太多了，有空慢慢编辑，先占个位。
starRC lef def
01-04
### starRC、LEF 和 DEF 文件的 EDA 工具使用教程 #### 关于 starRC 的使用说明 starRC 是由 Synopsys 开发的一款用于寄生参数提取 (PEX) 的工具，在 detail routing 完成之后被调用，以提供精确的电阻电容延迟分析数据[^2]。该工具能够处理复杂的多层互连结构并支持多种工艺节点。 对于 starRC 的具体操作指南，通常可以从官方文档获取最权威的信息。访问 Synopsys 官方网站的技术资源页面，可以找到最新的产品手册以及应用笔记等资料。此外，还可以通过在线帮助系统获得交互式的指导和支持服务。 #### LEF 和 DEF 文件格式解析及其在 Cadence 中的应用 LEF（Library Exchange Format）和 DEF（Design Exchange Format）是两种广泛应用于集成电路布局布线阶段的标准文件格式之一[^3]。前者主要用于描述标准单元库中的元件几何形状；后者则记录了整个芯片版图的设计信息，包括但不限于各个模块的位置关系、网络连接情况等重要细节。 当涉及到这些文件类型的编辑或读取时，Cadence 提供了一系列强大的平台级解决方案，比如 Virtuoso Layout Editor 就可以直接打开并修改 LEF/DEF 格式的项目工程。为了更好地理解和运用这两种文件格式，建议参阅 Cadence 发布的相关培训材料或是参加其举办的专项课程学习活动。 ```bash # 示例命令：查看 LEF 或 DEF 文件内容 cat my_design.lef cat my_design.def ```
评论 33
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

陈 洪 伟

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