1. Yolov5簡(jiǎn)介

YOLOv5 模型是 Ultralytics 公司于 2020 年 6 月 9 日公開發(fā)布的。YOLOv5 模型是基于 YOLOv3 模型基礎(chǔ)上改進(jìn)而來的，有 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 四個(gè)模型。YOLOv5 相比YOLOv4 而言，在檢測(cè)平均精度降低不多的基礎(chǔ)上，具有均值權(quán)重文件更小，訓(xùn)練時(shí)間和推理速度更短的特點(diǎn)。YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)分為輸入端BackboneNeck、Head 四個(gè)部分。

本教程針對(duì)目標(biāo)檢測(cè)算法yolov5的訓(xùn)練和部署到EASY-EAI-Orin-nano(RK3576)進(jìn)行說明，而數(shù)據(jù)標(biāo)注方法可以參考我們往期的文章。

2. 準(zhǔn)備數(shù)據(jù)集

2.1 數(shù)據(jù)集下載

本教程以口罩檢測(cè)為例，數(shù)據(jù)集的百度網(wǎng)盤下載鏈接為:

https://pan.baidu.com/s/17nJq2dQXxTHwc8eo8sNj5A?pwd=1234 提取碼：1234

解壓完成后得到以下三個(gè)文件：

2.2 生成路徑列表

在數(shù)據(jù)集目錄下執(zhí)行腳本list_dataset_file.py:

python list_dataset_file.py

執(zhí)行現(xiàn)象如下圖所示:

得到訓(xùn)練樣本列表文件train.txt和驗(yàn)證樣本列表文件valid.txt,如下圖所示：

3. Yolov5目標(biāo)檢測(cè)算法訓(xùn)練

3.1 訓(xùn)練源碼下載

通過git工具，在PC端克隆遠(yuǎn)程倉庫（注：此處可能會(huì)因網(wǎng)絡(luò)原因造成卡頓，請(qǐng)耐心等待）：

git clone https://github.com/EASY-EAI/yolov5.git

得到下圖所示目錄：

3.2 訓(xùn)練模型

切換到y(tǒng)olov5的工作目錄，接下來以訓(xùn)練一個(gè)口罩檢測(cè)模型為例進(jìn)行說明。需要修改data/mask.yaml里面的train.txt和valid.txt的路徑。

執(zhí)行下列腳本訓(xùn)練算法模型：

python train.py --data mask.yaml --cfg yolov5s.yaml --weights "" --batch-size 64

開始訓(xùn)練模型，如下圖所示：

關(guān)于算法精度結(jié)果可以查看./runs/train/results.csv獲得。

3.3 在PC端進(jìn)行模型預(yù)測(cè)

訓(xùn)練完畢后，在./runs/train/exp/weights/best.pt生成通過驗(yàn)證集測(cè)試的最好結(jié)果的模型。同時(shí)可以執(zhí)行模型預(yù)測(cè)，初步評(píng)估模型的效果：

python detect.py --source data/images --weights ./runs/train/exp/weights/best.pt --conf 0.5

3.4 pt模型轉(zhuǎn)換為onnx模型

算法部署到EASY-EAI-Nano需要轉(zhuǎn)換為RKNN模型,而轉(zhuǎn)換RKNN之前可以把模型先轉(zhuǎn)換為ONNX模型，同時(shí)會(huì)生成best.anchors.txt：

python export.py --include onnx --rknpu RV1126 --weights ./runs/train/exp/weights/best.pt

生成如下圖所示：

4. rknn-toolkit模型轉(zhuǎn)換

4.1 rknn-toolkit模型轉(zhuǎn)換環(huán)境搭建

onnx模型需要轉(zhuǎn)換為rknn模型才能在EASY-EAI-Orin-nano運(yùn)行，所以需要先搭建rknn-toolkit模型轉(zhuǎn)換工具的環(huán)境。當(dāng)然tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進(jìn)行模型轉(zhuǎn)換，只是本教程onnx為例。

4.1.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

4.1.2 下載模型轉(zhuǎn)換工具

為了保證模型轉(zhuǎn)換工具順利運(yùn)行，請(qǐng)下載網(wǎng)盤里“06.AI算法開發(fā)/01.rknn-toolkit2模型轉(zhuǎn)換工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

網(wǎng)盤下載鏈接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234提取碼：1234

4.1.3 把工具移到ubuntu20.04

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

4.1.4 運(yùn)行模型轉(zhuǎn)換工具環(huán)境

在該目錄打開終端

執(zhí)行以下指令加載模型轉(zhuǎn)換工具docker鏡像:

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

執(zhí)行以下指令進(jìn)入鏡像bash環(huán)境:

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

現(xiàn)象如下圖所示:

輸入“python”加載python相關(guān)庫，嘗試加載rknn庫，如下圖環(huán)境測(cè)試成功:

至此，模型轉(zhuǎn)換工具環(huán)境搭建完成。

4.2 型轉(zhuǎn)換為RKNN

EASY-EAI-Orin-nano支持.rknn后綴的模型的評(píng)估及運(yùn)行，對(duì)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(zhuǎn)換至 rknn 模型，而對(duì)于其他框架訓(xùn)練出來的模型，也可以先將其轉(zhuǎn)至 onnx 模型再轉(zhuǎn)換為 rknn 模型。 模型轉(zhuǎn)換操作流程入下圖所示：

4.2.1 模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤鏈接：https://pan.baidu.com/s/1yWWn9JryiAOrSBNGWxuFMw?pwd=1234 提取碼：1234。把 yolov5_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機(jī)，如下圖所示:

4.2.2 進(jìn)入模型轉(zhuǎn)換工具docker環(huán)境

執(zhí)行以下指令把工作區(qū)域映射進(jìn)docker鏡像，其中/home/developer/rknn-toolkit2/model_convert為工作區(qū)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(zhí)行成功如下圖所示:

4.2.3 模型轉(zhuǎn)換Demo目錄結(jié)構(gòu)介紹

模型轉(zhuǎn)換測(cè)試Demo由yolov5_model_convert和quant_dataset組成。yolov5_model_convert存放軟件腳本，quant_dataset存放量化模型所需的數(shù)據(jù)。如下圖所示:

yolov5_model_convert文件夾存放以下內(nèi)容，如下圖所示：

4.2.4 生成量化圖片列表

在docker環(huán)境切換到模型轉(zhuǎn)換工作目錄:

cd /test/yolov5_model_convert

如下圖所示:

執(zhí)行g(shù)en_list.py生成量化圖片列表:

python gen_list.py

命令行現(xiàn)象如下圖所示:

生成“量化圖片列表”如下文件夾所示:

4.2.5 onnx模型轉(zhuǎn)換為rknn模型

rknn_convert.py腳本默認(rèn)進(jìn)行int8量化操作，腳本代碼清單如下所示：

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN

ONNX_MODEL = 'best.onnx'
RKNN_MODEL = './bsd_person.rknn'
DATASET = './pic_path.txt'

QUANTIZE_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=True,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best.onnx放到y(tǒng)olov5_model_convert目錄，并執(zhí)行rknn_convert.py腳本進(jìn)行模型轉(zhuǎn)換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在rknn環(huán)境和EASY EAI Orin nano環(huán)境運(yùn)行：

5. 模型部署示例

5.1 模型部署示例介紹

本小節(jié)展示yolov5模型的在EASY EAI Orin nano的部署過程，該模型僅經(jīng)過簡(jiǎn)單訓(xùn)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yolov5 C Demo示例文件。

百度網(wǎng)盤鏈接: (https://pan.baidu.com/s/1adoQOIsm1C5GIxeh0UnK5g?pwd=1234提取碼：1234)。

下載程序包移至ubuntu環(huán)境后，執(zhí)行以下指令解壓：

tar -xvf yolov5_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?shù)桨蹇ㄉ希惹袚Q目錄然后執(zhí)行以下指令：

cd ~/rknn-toolkit2
adb push yolov5_detect_C_demo /userdata

登錄到板子切換到例程目錄執(zhí)行編譯操作：

adb shell
cd /userdata/yolov5_detect_C_demo
chmod 777 build.sh
./build.sh

5.3 在開發(fā)板執(zhí)行yolov5 目標(biāo)檢測(cè)算法

編譯成功后切換到可執(zhí)行程序目錄，如下所示：

 cd  /userdata/yolov5_detect_C_demo/yolov5_detect_demo_release

運(yùn)行例程命令如下所示：

chmod 777 yolov5_detect_demo
./yolov5_detect_demo

執(zhí)行結(jié)果如下圖所示,算法執(zhí)行時(shí)間為31ms：

退出板卡環(huán)境，取回測(cè)試圖片:

exit
adb pull /userdata/yolov5_detect_C_demo/yolov5_detect_demo_release/result.jpg .

測(cè)試結(jié)果如下圖所示:

至此，yolov5目標(biāo)檢測(cè)例程已成功在板卡運(yùn)行。

6. 資料下載

審核編輯 黃宇