1. Yolov8簡介

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 號開源的基于YOLOV5進行更新的下一個重大更新版本，目前支持圖像分類、物體檢測和實例分割任務，鑒于Yolov5的良好表現，Yolov8在還沒有開源時就收到了用戶的廣泛關注。其主要結構如下圖所示：

本教程針對目標檢測算法yolov8的訓練和部署到EASY-EAI-Orin-nano(RK3576)進行說明，而數據標注方法可以參考我們往期的文章。

2. Yolov8目標檢測算法訓練

通過git工具，在PC端克隆遠程倉庫（注：此處可能會因網絡原因造成卡頓，請耐心等待），修改過算子后的yolov8倉庫: https://github.com/airockchip/ultralytics_yolov8 。

3. rknn-toolkit模型轉換

3.1 rknn-toolkit模型轉換環境搭建

onnx模型需要轉換為rknn模型才能在EASY-EAI-Orin-nano運行，所以需要先搭建rknn-toolkit模型轉換工具的環境。當然tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進行模型轉換，只是本教程onnx為例。

3.1.1 概述

模型轉換環境搭建流程如下所示：

3.1.2 下載模型轉換工具

為了保證模型轉換工具順利運行，請下載網盤里“06.AI算法開發/01.rknn-toolkit2模型轉換工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。
網盤下載鏈接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234提取碼：1234。

3.1.3 把工具移到ubuntu20.04

把下載完成的docker鏡像移到我司的虛擬機ubuntu20.04的rknn-toolkit2目錄,如下圖所示：

3.1.4 運行模型轉換工具環境

在該目錄打開終端：

執行以下指令加載模型轉換工具docker鏡像:

docker load --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

執行以下指令進入鏡像bash環境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38 /bin/bash

現象如下圖所示:

輸入“python”加載python相關庫，嘗試加載rknn庫，如下圖環境測試成功:

至此，模型轉換工具環境搭建完成。

4. 模型轉換為RKNN

EASY-EAI-Orin-nano支持.rknn后綴的模型的評估及運行，對于常見的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過我們提供的 toolkit 工具將其轉換至 rknn 模型，而對于其他框架訓練出來的模型，也可以先將其轉至 onnx 模型再轉換為 rknn 模型。 模型轉換操作流程入下圖所示：

4.1 模型轉換Demo下載

下載百度網盤鏈接:https://pan.baidu.com/s/1LGsDf9576UOMZMvsc12VeA?pwd=1234 提取碼：1234。

把 yolov8_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機，如下圖所示:

4.2 進入模型轉換工具docker環境

執行以下指令把工作區域映射進docker鏡像，其中/home/developer/rknn-toolkit2/model_convert為工作區域，/test為映射到docker鏡像，/dev/bus/usb:/dev/bus/usb為映射usb到docker鏡像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert:/test rknn-toolkit2:2.3.0-cp38 /bin/bash

執行成功如下圖所示:

4.3 模型轉換操作說明

4.3.1 模型轉換Demo目錄結構

模型轉換測試Demo由yolov8_model_convert和quant_dataset組成。Yolov8_model_convert存放軟件腳本，quant_dataset存放量化模型所需的數據。如下圖所示:

Yolov8_model_convert文件夾存放以下內容，如下圖所示：

4.3.2 生成量化圖片列表

在docker環境切換到模型轉換工作目錄:

cd /test/yolov8_model_convert

如下圖所示:

執行gen_list.py生成量化圖片列表:

python gen_list.py

命令行現象如下圖所示:

生成“量化圖片列表”如下文件夾所示:

4.3.3 onnx模型轉換為rknn模型

rknn_convert.py腳本默認進行int8量化操作，腳本代碼清單如下所示：

import sys
from rknn.api import RKNN

ONNX_MODEL = 'yolov8m.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov8m_rk3576.rknn'
QUANTIZE_ON = True


if __name__ == '__main__':

    # Create RKNN object
    rknn = RKNN(verbose=False)

    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform='rk3576')
    print('done')

    # Load model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')

    # Export rknn model
    print('--> Export rknn model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')

    # Release
    rknn.release()

把onnx模型yolov8m.onnx放到yolov5_model_convert目錄(后續用戶使用自己的模型的時候，替換掉對應的onnx即可)，并執行rknn_convert.py腳本進行模型轉換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在rknn環境和EASY EAI Orin-nano環境運行：

5. 模型部署示例

5.1 模型部署示例介紹

本小節展示yolov8模型的在EASY EAI Orin nano的部署過程，該模型僅經過簡單訓練供示例使用，不保證模型精度。

5.2 源碼下載以及例程編譯

下載yolov8 C Demo示例文件。
百度網盤鏈接:https://pan.baidu.com/s/1gNhQXw_ewh73UIfJQxW7jg?pwd=1234 提取碼：1234。
下載程序包移至ubuntu環境后，執行以下指令解壓：

tar -xvf yolov8_detect_C_demo.tar.bz2

下載解壓后如下圖所示:

通過adb接口連接EASY-EAI-Orin-nano，連接方式如下圖所示:

接下來需要通過adb把源碼傳輸到板卡上，先切換目錄然后執行以下指令：

cd ~/rknn-toolkit2
adb push yolov8_detect_C_demo /userdata

登錄到板子切換到例程目錄執行編譯操作：

adb shell
cd /userdata/yolov8_detect_C_demo
chmod 777 build.sh
./build.sh

5.3 在開發板執行yolov8目標檢測算法

編譯成功后切換到可執行程序目錄，如下所示：

cd /userdata/yolov8_detect_C_demo/yolov8_detect_demo_release

運行例程命令如下所示：

chmod 777 yolov8_detect_demo
./yolov8_detect_demo yolov8m_rk3576.rknn test.jpg

執行結果如下圖所示,yolov8m算法執行時間為84ms：

退出板卡環境，取回測試圖片:

exit
adb pull /userdata/yolov8_detect_C_demo/yolov8_detect_demo_release/result.jpg .

測試結果如下圖所示:

至此，yolov8目標檢測例程已成功在板卡運行。

6. 資料下載

審核編輯 黃宇