blame | history | raw

Yolo-v5 demo

导出rknn模型

使用官方onnx模型

  1. 使用yolov5官方仓库导出模型，链接：https://github.com/ultralytics/yolov5, 该demo创建时yolov5的最新节点sha码为: c5360f6e7009eb4d05f14d1cc9dae0963e949213
  2. 在yolov5工程的根目录下导出已训练好的yolov5模型，如yolov5s.onnx.

sh python export.py --weights yolov5s.pt --img 640 --batch 1 --opset 12

注：yolov5工程需要使用pytorch 1.8.0 或 1.9.0 版本才能正常导出。
3. 使用onnx-simplifier工具优化yolov5的onnx模型,安装和优化命令如下:

```sh
## 如果已安装onnx-simplifier,跳过这句
pip install onnx-simplifier

python -m onnxsim yolov5s.onnx yolov5s.onnx
```

运行python推理

  1. 如果重新导出onnx模型,进入rknn-toolkit2目录，将导出的onnx模型复制到examples/onnx/yolov5目录下yolov5s.onnx，再执行命令:

sh cd examples/onnx/yolov5 python test.py

使用rk预训练模型

由于官方的yolov5s模型中包含了Slice层/Swish层/大kernel_size的MaxPooling层，NPU执行效率不高。我们建议开发者使用NPU友好的算子替换官网的结构，下面给出两个参考网络结构：

  1. 改进结构1
a. 将Focus层改成Conv层
b. 将Swish激活函数改成Relu激活函数

我们Demo中提供了一个高性能版本的rknn模型：model/yolov5s-640-640.rknn。对应的onnx模型是 convert_rknn_demo/yolov5/onnx_models/yolov5s_rm_transpose.onnx，该模型是预测80类coco数据集的yolov5s改进结构，将Slice层训练和导出onnx模型过程请参考https://github.com/airockchip/yolov5.git

转换rknn模型的步骤如下：

cd convert_rknn_demo/yolov5/
python onnx2rknn.py
  1. 改进结构2
a. 将Focus层改成Conv层
b. 将Swish激活函数改成Relu激活函数
c. 将大kernel_size的MaxPooling改成3x3 MaxPooling Stack结构

训练和导出onnx模型过程请参考请参考https://github.com/EASY-EAI/yolov5

注意事项：

  1. 使用rknn-toolkit2版本大于等于1.1.2。
  2. 切换成自己训练的模型时，请注意对齐anchor等后处理参数，否则会导致后处理解析出错。
  3. 官网和rk预训练模型都是检测80类的目标，如果自己训练的模型,需要更改include/postprocess.h中的OBJ_CLASS_NUM以及NMS_THRESH,BOX_THRESH后处理参数。
  4. 测试代码导出模型的时候指定了输出节点['378', '439', '500']，分别为原模型的第2、3、4输出节点的去掉 三个Reshape 后面的层（不包含Reshape层），
    对应输出的shape是[1,255,80,80],[1,255,40,40],[1,255,20,20]。
    对于自己训练的模型输出节点的顺序和shape的要求必须是[1,？,80,80]，[1,？,40,40]，[1,？,20,20]，C代码后处理才能正确处理。
  5. 默认导出rk356x的rknn模型,导出rk3588模型需要修改rknn.config的target_platform参数为"rk3588".
  6. demo需要librga.so的支持,编译使用请参考https://github.com/rockchip-linux/linux-rga

Android Demo

编译

根据指定平台修改 build-android_<TARGET_PLATFORM>.sh中的Android NDK的路径 ANDROID_NDK_PATH，可以是RK356X或RK3588 例如修改成：

ANDROID_NDK_PATH=~/opt/tool_chain/android-ndk-r17

然后执行：

./build-android_<TARGET_PLATFORM>.sh

推送执行文件到板子

连接板子的usb口到PC,将整个demo目录到 /data:

adb root
adb remount
adb push install/rknn_yolov5_demo /data/

运行

adb shell
cd /data/rknn_yolov5_demo/

export LD_LIBRARY_PATH=./lib
./rknn_yolov5_demo model/<TARGET_PLATFORM>/yolov5s-640-640.rknn model/bus.jpg

Aarch64 Linux Demo

编译

根据指定平台修改 build-linux_<TARGET_PLATFORM>.sh中的交叉编译器所在目录的路径 TOOL_CHAIN，例如修改成

export TOOL_CHAIN=~/opt/tool_chain/gcc-9.3.0-x86_64_aarch64-linux-gnu/host

然后执行：

./build-linux_<TARGET_PLATFORM>.sh

推送执行文件到板子

将 install/rknn_yolov5_demo_Linux 拷贝到板子的/userdata/目录.

  • 如果使用rockchip的EVB板子，可以使用adb将文件推到板子上：
adb push install/rknn_yolov5_demo_Linux /userdata/
  • 如果使用其他板子，可以使用scp等方式将install/rknn_yolov5_demo_Linux拷贝到板子的/userdata/目录

运行

adb shell
cd /userdata/rknn_yolov5_demo_Linux/

export LD_LIBRARY_PATH=./lib
./rknn_yolov5_demo model/<TARGET_PLATFORM>/yolov5s-640-640.rknn model/bus.jpg

Note: Try searching the location of librga.so and add it to LD_LIBRARY_PATH if the librga.so is not found on the lib folder.
Using the following commands to add to LD_LIBRARY_PATH.

export LD_LIBRARY_PATH=./lib:<LOCATION_LIBRGA.SO>