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-Nano(RV1126)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. 轉換為rknn模型環境搭建

onnx模型需要轉換為rknn模型才能在EASY-EAI-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 概述

模型轉換環境搭建流程如下所示：

3.2 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”AI算法開發/RKNN-Toolkit模型轉換工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。

網盤下載鏈接：https://pan.baidu.com/s/1_PquxW2rFuf77q6mT3gkDQ 提取碼：6666

3.3 把工具移到電腦端ubuntu

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

3.4 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 /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-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-toolkit:1.7.3 /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 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/1HDYVFaZmHhi_lnr-KeGItw?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-toolkit/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-toolkit/model_convert:/test rknn-toolkit:1.7.3 /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
import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN

ONNX_MODEL = 'yolov8m.onnx'
RKNN_MODEL = './yolov8m_rv1126.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True
PRECOMILE_ON = True


if __name__ == '__main__':

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

	if not os.path.exists(ONNX_MODEL):
		print('model not exist')
		exit(-1)

	# pre-process config
	print('--> Config model')
	rknn.config(reorder_channel='0 1 2',
			    mean_values=[[0, 0, 0]],
			    std_values=[[255, 255, 255]],
			    optimization_level=3,
			    target_platform = 'rv1126',
			    output_optimize=1,
			    quantize_input_node=QUANTIZE_ON)
	print('done')

	# Load ONNX model
	print('--> Loading model')
	ret = rknn.load_onnx(model=ONNX_MODEL)
	if ret != 0:
		print('Load yolov5 failed!')
		exit(ret)
	print('done')

	# Build model
	print('--> Building model')
	ret = rknn.build(pre_compile=PRECOMILE_ON, do_quantization=QUANTIZE_ON, dataset=DATASET)
	if ret != 0:
		print('Build yolov5 failed!')
		exit(ret)
	print('done')

	# Export RKNN model
	print('--> Export RKNN model')
	ret = rknn.export_rknn(RKNN_MODEL)
	if ret != 0:
		print('Export yolov5rknn failed!')
		exit(ret)
	print('done')

把onnx模型yolov8m_rv1126.onnx放到yolov8_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EASY EAI 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 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 開發環境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發環境準備/Easy-Eai編譯環境準備與更新》，并按照其相關的操作，進行編譯環境的部署。

在PC端Ubuntu系統中執行run腳本，進入EASY-EAI編譯環境，具體如下所示。

cd ~/develop_environment
./run.sh

5.3 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/1anV3qObQvHwVVj-55dSX0w?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:

在EASY-EAI編譯環境下，切換到例程目錄執行編譯操作：

cd /opt/rknn-toolkit/yolov8_detect_C_demo
./build.sh

注：

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持adb連接。

5.4 在開發板執行yolov8目標檢測算法

在EASY-EAI編譯環境下，在例程目錄執行以下指令把可執行程序推送到開發板端：

cp yolov8_detect_demo_release/ /mnt/userdata/ -rf

通過按鍵Ctrl+Shift+T創建一個新窗口，執行adb shell命令，進入板卡運行環境:

adb shell

進入板卡后，定位到例程上傳的位置，如下所示：

 cd /userdata/yolov8_detect_demo_release/

運行例程命令如下所示：

./yolov8_detect_demo yolov8m_rv1126.rknn test.jpg 

執行結果如下圖所示,yolov8m算法執行時間為212ms：

更換yolov8s模型, 算法執行時間為123ms:

退出板卡環境，取回測試圖片:

exit
adb pull /userdata/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