精品国产人成在线_亚洲高清无码在线观看_国产在线视频国产永久2021_国产AV综合第一页一个的一区免费影院黑人_最近中文字幕MV高清在线视频

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

【教程】yolov5訓(xùn)練部署全鏈路教程

廣州靈眸科技有限公司 ? 2023-01-29 15:25 ? 次閱讀

1. Yolov5簡介

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 四個模型。YOLOv5 相比YOLOv4 而言,在檢測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)練時間和推理速度更短的特點。YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)分為輸入端BackboneNeck、Head 四個部分。

教程針對目標(biāo)檢測算法yolov5的訓(xùn)練和部署到EASY-EAI-Nano(RV1126)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《Labelimg的安裝與使用》。

以下為YOLOv5訓(xùn)練部署的大致流程:

?

pYYBAGO2lK2ASFCYAABcjwKy3S8885.png

2. 準(zhǔn)備數(shù)據(jù)集

2.1 數(shù)據(jù)集下載

本教程以口罩檢測為例

解壓完成后得到以下三個文件:

?

pYYBAGO2lOOARnJ8AAA0lbKlvC4711.png

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:

poYBAGO2lQGAMhHLAAASS9Wcu_4712.png

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

?

poYBAGO2lNGAFRRLAAArj8d-xTU716.png

3. 下載yolov5訓(xùn)練源碼

通過git工具,在PC端克隆遠(yuǎn)程倉庫

pYYBAGO2lSWAWKRwAAApkcRufO8115.png

得到下圖所示目錄:

?

pYYBAGO2lSyALeBUAACXlUE5to4837.png

4. 訓(xùn)練算法模型

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

?

pYYBAGO2lUCAQ5rPAAAl55nqRJQ149.png

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:

poYBAGO2lU2AeYi1AAAgr_j8B_0753.png

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

5. 在PC端進(jìn)行模型預(yù)測

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

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

poYBAGO2lYaAXxuxAAFbuZG8oiE273.png

6. 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,同時會生成best.anchors.txt:

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

生成如下圖所示:

pYYBAGO2laGAN2TnAAAZ7bakSV4665.png

?

7. 轉(zhuǎn)換為rknn模型環(huán)境搭建

onnx模型需要轉(zhuǎn)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(zhuǎn)換工具的環(huán)境。當(dāng)然tensorflowtensroflow 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。

7.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示:

poYBAGO2lbOAEkkRAABVaQQIt48256.png

?

7.2 下載模型轉(zhuǎn)換工具

為了保證模型轉(zhuǎn)換工具順利運行,請下載網(wǎng)盤里”AI算法開發(fā)/RKNN-Toolkit模型轉(zhuǎn)換工具/rknn-toolkit-v1.7.1/docker/rknn-toolkit-1.7.1-docker.tar.gz”。

網(wǎng)盤下載鏈接:https://pan.baidu.com/s/1LUtU_-on7UB3kvloJlAMkA 提取碼:teuc

7.3 把工具移到ubuntu18.04

把下載完成的docker鏡像移到我司的虛擬機(jī)ubuntu18.04的rknn-toolkit目錄,如下圖所示:

poYBAGO2lcqAHDnnAACKKS_ejJo168.png

7.4 運行模型轉(zhuǎn)換工具環(huán)境

7.4.1 打開終端

在該目錄打開終端:

pYYBAGO2leCAJ-sTAADmNtserU4680.png

7.4.2 加載docker鏡像

執(zhí)行以下指令加載模型轉(zhuǎn)換工具docker鏡像:

docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.1-docker.tar.gz

7.4.3 進(jìn)入鏡像bash環(huán)境

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-toolkit:1.7.1 /bin/bash

現(xiàn)象如下圖所示:

pYYBAGO2lgSAPBgWAAB1-Itbk9o570.png

7.4.4 測試環(huán)境

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

pYYBAGO2ljSANYHQAACqhZg-QVo984.png

至此,模型轉(zhuǎn)換工具環(huán)境搭建完成。

8. rknn模型轉(zhuǎn)換流程介紹

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(zhuǎn)換至 rknn 模型,而對于其他框架訓(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)換操作流程如下圖所示:

?

pYYBAGO2lkmAX4YPAAD58DT6vJc166.png

8.1 模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤鏈接:https://pan.baidu.com/s/1uAiQ6edeGIDvQ7HAm7p0jg 提取碼:6666

把model_convert.tar.bz2解壓到虛擬機(jī),如下圖所示:

pYYBAGO2lmCAGGQTAABGz9MyPB0022.png

8.2 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-toolkit/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-toolkit/model_convert:/test rknn-toolkit:1.7.1 /bin/bash

執(zhí)行成功如下圖所示:

?

poYBAGO2lm-ALvDjAACHBuVMM9s786.png

8.3 模型轉(zhuǎn)換操作說明

8.3.1 模型轉(zhuǎn)換Demo目錄結(jié)構(gòu)

模型轉(zhuǎn)換測試Demo由mask_object_detect和quant_dataset組成。coco_object_detect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:

poYBAGO2meqADD0NAABA2FZetas072.png

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

poYBAGO2mf6AU7AQAACdrxrN8lI433.png

8.3.2 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/mask_object_detect/

如下圖所示:

poYBAGO2mgqAXeWAAABkCBxyL80656.png

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:

pYYBAGO2mheAS5lhAAB6Wgg9da8043.png

生成“量化圖片列表”如下文件夾所示:

pYYBAGO2mieAL95EAAB4hUBJJ-8922.png

8.3.3 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 = './yolov5_mask_rv1126.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(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mask_object_detect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 Nano環(huán)境運行:

poYBAGO2mm2Ae_gMAAITgm8uZWg216.png

?8.3.4 運行rknn模型

用yolov5_mask_test.py腳本在PC端的環(huán)境下可以運行rknn的模型,如下圖所示:

poYBAGO2moSASK0hAACp19KlpRA010.png

yolov5_mask_test.py腳本程序清單如下所示:

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


RKNN_MODEL = 'yolov5_mask_rv1126.rknn'
IMG_PATH = './test.jpg'
DATASET = './dataset.txt'


BOX_THRESH = 0.25
NMS_THRESH = 0.6
IMG_SIZE = 640


CLASSES = ("head", "mask")



def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def xywh2xyxy(x):
    # Convert [x, y, w, h] to [x1, y1, x2, y2]
    y = np.copy(x)
    y[:, 0] = x[:, 0] - x[:, 2] / 2  # top left x
    y[:, 1] = x[:, 1] - x[:, 3] / 2  # top left y
    y[:, 2] = x[:, 0] + x[:, 2] / 2  # bottom right x
    y[:, 3] = x[:, 1] + x[:, 3] / 2  # bottom right y
    return y

def process(input, mask, anchors):

    anchors = [anchors[i] for i in mask]
    grid_h, grid_w = map(int, input.shape[0:2])

    box_confidence = sigmoid(input[..., 4])
    box_confidence = np.expand_dims(box_confidence, axis=-1)

    box_class_probs = sigmoid(input[..., 5:])

    box_xy = sigmoid(input[..., :2])*2 - 0.5

    col = np.tile(np.arange(0, grid_w), grid_w).reshape(-1, grid_w)
    row = np.tile(np.arange(0, grid_h).reshape(-1, 1), grid_h)
    col = col.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2)
    row = row.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2)
    grid = np.concatenate((col, row), axis=-1)
    box_xy += grid
    box_xy *= int(IMG_SIZE/grid_h)

    box_wh = pow(sigmoid(input[..., 2:4])*2, 2)
    box_wh = box_wh * anchors

    box = np.concatenate((box_xy, box_wh), axis=-1)

    return box, box_confidence, box_class_probs

def filter_boxes(boxes, box_confidences, box_class_probs):
	"""Filter boxes with box threshold. It's a bit different with origin yolov5 post process!

	# Arguments
		boxes: ndarray, boxes of objects.
		box_confidences: ndarray, confidences of objects.
		box_class_probs: ndarray, class_probs of objects.

	# Returns
		boxes: ndarray, filtered boxes.
		classes: ndarray, classes for boxes.
		scores: ndarray, scores for boxes.
	"""
	box_scores = box_confidences * box_class_probs
	box_classes = np.argmax(box_class_probs, axis=-1)
	box_class_scores = np.max(box_scores, axis=-1)
	pos = np.where(box_confidences[...,0] >= BOX_THRESH)


	boxes = boxes[pos]
	classes = box_classes[pos]
	scores = box_class_scores[pos]

	return boxes, classes, scores

def nms_boxes(boxes, scores):
    """Suppress non-maximal boxes.

    # Arguments
        boxes: ndarray, boxes of objects.
        scores: ndarray, scores of objects.

    # Returns
        keep: ndarray, index of effective boxes.
    """
    x = boxes[:, 0]
    y = boxes[:, 1]
    w = boxes[:, 2] - boxes[:, 0]
    h = boxes[:, 3] - boxes[:, 1]

    areas = w * h
    order = scores.argsort()[::-1]

    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)

        xx1 = np.maximum(x[i], x[order[1:]])
        yy1 = np.maximum(y[i], y[order[1:]])
        xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]])
        yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]])

        w1 = np.maximum(0.0, xx2 - xx1 + 0.00001)
        h1 = np.maximum(0.0, yy2 - yy1 + 0.00001)
        inter = w1 * h1

        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        inds = np.where(ovr <= NMS_THRESH)[0]
        order = order[inds + 1]
    keep = np.array(keep)
    return keep


def yolov5_post_process(input_data):
    masks = [[0, 1, 2], [3, 4, 5], [6, 7, 8]]
    anchors = [[10, 13], [16, 30], [33, 23], [30, 61], [62, 45],
              [59, 119], [116, 90], [156, 198], [373, 326]]

    boxes, classes, scores = [], [], []
    for input,mask in zip(input_data, masks):
        b, c, s = process(input, mask, anchors)
        b, c, s = filter_boxes(b, c, s)
        boxes.append(b)
        classes.append(c)
        scores.append(s)

    boxes = np.concatenate(boxes)
    boxes = xywh2xyxy(boxes)
    classes = np.concatenate(classes)
    scores = np.concatenate(scores)

    nboxes, nclasses, nscores = [], [], []
    for c in set(classes):
        inds = np.where(classes == c)
        b = boxes[inds]
        c = classes[inds]
        s = scores[inds]

        keep = nms_boxes(b, s)

        nboxes.append(b[keep])
        nclasses.append(c[keep])
        nscores.append(s[keep])

    if not nclasses and not nscores:
        return None, None, None

    boxes = np.concatenate(nboxes)
    classes = np.concatenate(nclasses)
    scores = np.concatenate(nscores)

    return boxes, classes, scores

def scale_coords(x1, y1, x2, y2, dst_width, dst_height):
	
	dst_top, dst_left, dst_right, dst_bottom = 0, 0, 0, 0
	gain = 0

	if dst_width > dst_height:
		image_max_len = dst_width
		gain = IMG_SIZE / image_max_len
		resized_height = dst_height * gain
		height_pading = (IMG_SIZE - resized_height)/2
		print("height_pading:", height_pading)
		y1 = (y1 - height_pading)
		y2 = (y2 - height_pading)
	
	print("gain:", gain)
	dst_x1 = int(x1 / gain)
	dst_y1 = int(y1 / gain)
	dst_x2 = int(x2 / gain)
	dst_y2 = int(y2 / gain)

	return dst_x1, dst_y1, dst_x2, dst_y2

def plot_one_box(x, img, color=None, label=None, line_thickness=None):
    tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1  # line/font thickness
    color = color or [random.randint(0, 255) for _ in range(3)]
    c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
    cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
    if label:
        tf = max(tl - 1, 1)  # font thickness
        t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
        c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
        cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA)  # filled
        cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)

def draw(image, boxes, scores, classes):
	"""Draw the boxes on the image.

	# Argument:
		image: original image.
		boxes: ndarray, boxes of objects.
		classes: ndarray, classes of objects.
		scores: ndarray, scores of objects.
		all_classes: all classes name.
	"""
	for box, score, cl in zip(boxes, scores, classes):

		x1, y1, x2, y2 = box
		print('class: {}, score: {}'.format(CLASSES[cl], score))
		print('box coordinate x1,y1,x2,y2: [{}, {}, {}, {}]'.format(x1, y1, x2, y2))
		x1 = int(x1)
		y1 = int(y1)
		x2 = int(x2)
		y2 = int(y2)

		dst_x1, dst_y1, dst_x2, dst_y2 = scale_coords(x1, y1, x2, y2, image.shape[1], image.shape[0])
		#print("img.cols:", image.cols)

		plot_one_box((dst_x1, dst_y1, dst_x2, dst_y2), image, label='{0} {1:.2f}'.format(CLASSES[cl], score))
			

		'''
		cv2.rectangle(image, (dst_x1, dst_y1), (dst_x2, dst_y2), (255, 0, 0), 2)
		cv2.putText(image, '{0} {1:.2f}'.format(CLASSES[cl], score),
					(dst_x1, dst_y1 - 6),
					cv2.FONT_HERSHEY_SIMPLEX,
					0.6, (0, 0, 255), 2)
		'''


def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)):
    # Resize and pad image while meeting stride-multiple constraints
    shape = im.shape[:2]  # current shape [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    # Scale ratio (new / old)
    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])

    # Compute padding
    ratio = r, r  # width, height ratios
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding

    dw /= 2  # divide padding into 2 sides
    dh /= 2

    if shape[::-1] != new_unpad:  # resize
        im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # add border
    return im, ratio, (dw, dh)


if __name__ == '__main__':

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

	print('--> Loading model')
	ret = rknn.load_rknn(RKNN_MODEL)
	if ret != 0:
		print('load rknn model failed')
		exit(ret)
	print('done')

	# init runtime environment
	print('--> Init runtime environment')
	ret = rknn.init_runtime()
	# ret = rknn.init_runtime('rv1126', device_id='1126')
	if ret != 0:
		print('Init runtime environment failed')
		exit(ret)
	print('done')

	# Set inputs
	img = cv2.imread(IMG_PATH)
	letter_img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE))
	letter_img = cv2.cvtColor(letter_img, cv2.COLOR_BGR2RGB)


	# Inference
	print('--> Running model')
	outputs = rknn.inference(inputs=[letter_img])

	print('--> inference done')

	# post process
	input0_data = outputs[0]
	input1_data = outputs[1]
	input2_data = outputs[2]

	input0_data = input0_data.reshape([3,-1]+list(input0_data.shape[-2:]))
	input1_data = input1_data.reshape([3,-1]+list(input1_data.shape[-2:]))
	input2_data = input2_data.reshape([3,-1]+list(input2_data.shape[-2:]))

	input_data = list()
	input_data.append(np.transpose(input0_data, (2, 3, 0, 1)))
	input_data.append(np.transpose(input1_data, (2, 3, 0, 1)))
	input_data.append(np.transpose(input2_data, (2, 3, 0, 1)))

	print('--> transpose done')

	boxes, classes, scores = yolov5_post_process(input_data)

	print('--> get result done')

	#img_1 = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
	if boxes is not None:
		draw(img, boxes, scores, classes)

	cv2.imwrite('./result.jpg', img)
	#cv2.imshow("post process result", img_1)
	#cv2.waitKeyEx(0)

	rknn.release()


執(zhí)行后得到result.jpg如下圖所示:

poYBAGO2mrOANsZUAAv808fC4eM569.png

8.3.5 模型預(yù)編譯
由于rknn模型用NPU API在EASY EAI Nano加載的時候啟動速度會好慢,在評估完模型精度沒問題的情況下,建議進(jìn)行模型預(yù)編譯。預(yù)編譯的時候需要通過EASY EAI Nano主板的環(huán)境,所以請務(wù)必接上adb口與ubuntu保證穩(wěn)定連接。

板子端接線如下圖所示,撥碼開關(guān)需要是adb:

pYYBAGO2msSAVasAABuYkhN4g5g912.png

虛擬機(jī)要保證接上adb設(shè)備:

poYBAGO2mtSAf4j5AAGxSQEPX9E006.png

由于在虛擬機(jī)里ubuntu環(huán)境與docker環(huán)境對adb設(shè)備資源是競爭關(guān)系,所以需要關(guān)掉ubuntu環(huán)境下的adb服務(wù),且在docker里面通過apt-get安裝adb軟件包。以下指令在ubuntu環(huán)境與docker環(huán)境里各自執(zhí)行:

pYYBAGO2muSAaWaFAADJxaQhMsk089.png

在docker環(huán)境里執(zhí)行adb devices,現(xiàn)象如下圖所示則設(shè)備連接成功:

pYYBAGO2mvOAODOFAAGSqAqpTXs200.png

運行precompile_rknn.py腳本把模型執(zhí)行預(yù)編譯:

python precompile_rknn.py

執(zhí)行效果如下圖所示,生成預(yù)編譯模型yolov5_mask_rv1126_pre.rknn:

pYYBAGO2nPWALtCYAAEvEHt5bhs650.png

至此預(yù)編譯部署完成,模型轉(zhuǎn)換步驟已全部完成。生成如下預(yù)編譯后的int8量化模型:

pYYBAGO2nQGAVwfJAAC13COSX3A060.png

9. 模型部署示例

9.1 模型部署示例介紹

本小節(jié)展示yolov5模型的在EASY EAI Nano的部署過程,該模型僅經(jīng)過簡單訓(xùn)練供示例使用,不保證模型精度。

9.2 準(zhǔn)備工作

9.2.1 硬件準(zhǔn)備

EASY EAI Nano開發(fā)板,microUSB數(shù)據(jù)線,帶linux操作系統(tǒng)電腦。需保證EASY EAI Nano與linux系統(tǒng)保持adb連接。

9.2.2 交叉編譯環(huán)境準(zhǔn)備

本示例需要交叉編譯環(huán)境的支持,可以參考在線文檔“入門指南/開發(fā)環(huán)境準(zhǔn)備/安裝交叉編譯工具鏈”。

9.2.3 文件下載

下載yolov5 C Demo示例文件。

下載解壓后如下圖所示:

pYYBAGO2nSmADlh1AABhyZ_QDQA341.png

9.3 在EASY EAI Nano運行yolov5 demo

9.3.1 解壓yolov5 demo

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

9.3.2 編譯yolov5 demo

執(zhí)行以下腳本編譯demo:

./build.sh

編譯成功后如下圖所示:

poYBAGO2nUCAcP-_AAGVSl5lVvI620.png

?9.3.3 執(zhí)行yolov5 demo

執(zhí)行以下指令把可執(zhí)行程序推送到開發(fā)板端:

adb push yolov5_detect_demo_release/ /userdata

登錄到開發(fā)板執(zhí)行程序:

adb shell cd /userdata/yolov5_detect_demo_release/ ./yolov5_detect_demo

? 執(zhí)行結(jié)果如下圖所示,算法執(zhí)行時間為50ms:

poYBAGO2nVWADO5_AACElUlbUOQ804.png

取回測試圖片:

adb pull /userdata/yolov5_detect_demo_release/result.jpg .

測試結(jié)果如下圖所示:

pYYBAGO2nh6AYjlOAAvTB9FeIIA069.png

10. 基于攝像頭的AI Demo

10.1 攝像頭Demo介紹

本小節(jié)展示yolov5模型的在EASY EAI Nano執(zhí)行攝像頭Demo的過程,該模型僅經(jīng)過簡單訓(xùn)練供示例使用,不保證模型精度。

10.2 準(zhǔn)備工作

10.2.1 硬件準(zhǔn)備
EASY-EAI-Nano人工智能開發(fā)套件(包括:EASY EAI Nano開發(fā)板,雙目攝像頭,5寸高清屏幕,microUSB數(shù)據(jù)線),帶linux操作系統(tǒng)的電腦,。需保證EASY EAI Nano與linux系統(tǒng)保持adb連接。

10.2.2 交叉編譯環(huán)境準(zhǔn)備
本示例需要交叉編譯環(huán)境的支持,可以參考在線文檔“入門指南/開發(fā)環(huán)境準(zhǔn)備/安裝交叉編譯工具鏈”。

鏈接為:https://www.easy-eai.com/document_details/3/135。

10.2.3 文件下載
攝像頭識別Demo的程序源碼可以通過百度網(wǎng)盤下載:

https://pan.baidu.com/s/18cAp4yT_LhDZ5XAHG-L1lw(提取碼:6666)。

下載解壓后如下圖所示:

?

pYYBAGO2n0aAdvQ5AACADPerkOk147.png

10.3 在EASY EAI Nano運行yolov5 demo

10.3.1 解壓yolov5 camera demo
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_camera_demo.tar.tar.bz2

10.3.2 編譯yolov5 camera demo
執(zhí)行以下腳本編譯demo:

./build.sh

編譯成功后如下圖所示:

poYBAGO2nUCAcP-_AAGVSl5lVvI620.png

10.3.3 執(zhí)行yolov5 camera demo
執(zhí)行以下指令把可執(zhí)行程序推送到開發(fā)板端:

adb push yolov5_detect_camera_demo_release/ /userdata

登錄到開發(fā)板執(zhí)行程序:

adb shell cd /userdata/yolov5_detect_camera_demo_release/ ./yolov5_detect_camera_demo

測試結(jié)果如下圖所示:

poYBAGO2n36AY2nIACiOc38e5Y4617.png

硬件使用

本教程使用的是EASY EAI nano(RV1126)開發(fā)板。

EASY EAI Nano是基于瑞芯微RV1126 處理器設(shè)計,具有四核CPU@1.5GHz與NPU@2Tops AI邊緣計算能力。實現(xiàn)AI運算的功耗不及所需GPU的10%。配套AI算法工具完善,支持Tensorflow、Pytorch、Caffe、MxNet、DarkNet、ONNX等主流AI框架直接轉(zhuǎn)換和部署。有豐富的軟硬件開發(fā)資料,而且外設(shè)資源豐富,接口齊全,還有豐富的功能配件可供選擇。集成有以太網(wǎng)Wi-Fi通信外設(shè)。攝像頭、顯示屏(帶電容觸摸)、喇叭、麥克風(fēng)等交互外設(shè)。2 路 USB Host 接口、1 路 USB Device 調(diào)試接口。集成協(xié)議串口、TF 卡、IO 拓展接口(兼容樹莓派/Jetson nano拓展接口)等通用外設(shè)。內(nèi)置人臉識別、安全帽監(jiān)測、人體骨骼點識別、火焰檢測、車輛檢測等各類 AI 算法,并提供完整的 Linux 開發(fā)包供客戶二次開發(fā)。

?

poYBAGO2n46ACAVIAB-4V_Y9w5I703.pngpYYBAGO2n5iAbG1wAARev-Z3pts708.png

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 模型
    +關(guān)注

    關(guān)注

    1

    文章

    3178

    瀏覽量

    48729
  • 目標(biāo)檢測
    +關(guān)注

    關(guān)注

    0

    文章

    205

    瀏覽量

    15590
收藏 人收藏

    評論

    相關(guān)推薦

    在樹莓派上部署YOLOv5進(jìn)行動物目標(biāo)檢測的完整流程

    卓越的性能。本文將詳細(xì)介紹如何在性能更強(qiáng)的計算機(jī)上訓(xùn)練YOLOv5模型,并將訓(xùn)練好的模型部署到樹莓派4B上,通過樹莓派的攝像頭進(jìn)行實時動物目標(biāo)檢測。 一、在電腦上
    的頭像 發(fā)表于 11-11 10:38 ?468次閱讀
    在樹莓派上<b class='flag-5'>部署</b><b class='flag-5'>YOLOv5</b>進(jìn)行動物目標(biāo)檢測的完整流程

    YOLOv6在LabVIEW中的推理部署(含源碼)

    YOLOv6 是美團(tuán)視覺智能部研發(fā)的一款目標(biāo)檢測框架,致力于工業(yè)應(yīng)用。如何使用python進(jìn)行該模型的部署,官網(wǎng)已經(jīng)介紹的很清楚了,但是對于如何在LabVIEW中實現(xiàn)該模型的部署,筆者目前還沒有看到
    的頭像 發(fā)表于 11-06 16:07 ?181次閱讀
    <b class='flag-5'>YOLOv</b>6在LabVIEW中的推理<b class='flag-5'>部署</b>(含源碼)

    RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實現(xiàn)Yolov5分類檢測

    : NPU幫助機(jī)器完成更高效的翻譯、文本分類和情感分析,推動了自然語言處理技術(shù)的發(fā)展。 實例分享:Yolov5分類檢測 在RK3588處理器上,不僅可以基于Linux系統(tǒng)使用NPU,也可以
    發(fā)表于 10-24 10:13

    【飛凌嵌入式OK3576-C開發(fā)板體驗】rknn實現(xiàn)yolo5目標(biāo)檢測

    rknn.api import RKNN 模型轉(zhuǎn)換 以官方model_zoo中的YOLOv5為例,進(jìn)行模型的轉(zhuǎn)換及測試 準(zhǔn)備模型 首先我們需要克隆項目:https://github.com
    發(fā)表于 09-19 02:20

    RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實現(xiàn)Yolov5分類檢測-迅為電子

    RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實現(xiàn)Yolov5分類檢測-迅為電子
    的頭像 發(fā)表于 08-23 14:58 ?616次閱讀
    RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實現(xiàn)<b class='flag-5'>Yolov5</b>分類檢測-迅為電子

    RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實現(xiàn)Yolov5分類檢測

    : NPU幫助機(jī)器完成更高效的翻譯、文本分類和情感分析,推動了自然語言處理技術(shù)的發(fā)展。 實例分享:Yolov5分類檢測 在RK3588處理器上,不僅可以基于Linux系統(tǒng)使用NPU,也可以
    發(fā)表于 08-20 11:13

    基于迅為RK3588【RKNPU2項目實戰(zhàn)1】:YOLOV5實時目標(biāo)分類

    【RKNPU2項目實戰(zhàn)1】:YOLOV5實時目標(biāo)分類 https://www.bilibili.com/video/BV1ZN411D7V8/?spm_id_from=333.999.0.0
    發(fā)表于 08-15 10:51

    DongshanPI-AICT志V853開發(fā)板搭建YOLOV5-V6.0環(huán)境

    Werkzeug 2.2.3 wheel 0.38.4 wincertstore0.2 zipp3.15.0 4.測試YOLOV5環(huán)境 4.1 測試檢測模型 進(jìn)入YOLOV5源碼目錄后,輸入
    發(fā)表于 07-12 09:59

    YOLOv5的原理、結(jié)構(gòu)、特點和應(yīng)用

    YOLOv5(You Only Look Once version 5)是一種基于深度學(xué)習(xí)的實時目標(biāo)檢測算法,它屬于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的范疇。下面我將詳細(xì)介紹YOLOv5的原理、結(jié)構(gòu)、特點
    的頭像 發(fā)表于 07-03 09:23 ?4991次閱讀

    yolov5的best.pt導(dǎo)出成onnx轉(zhuǎn)化成fp32 bmodel后在Airbox上跑,報維度不匹配怎么處理?

    用官方的模型不出錯,用自己的yolov5訓(xùn)練出來的best.pt導(dǎo)出成onnx轉(zhuǎn)化成fp32 bmodel后在Airbox上跑,出現(xiàn)報錯: linaro@bm1684:~/yolov5/python
    發(fā)表于 05-31 08:10

    maixcam部署yolov5s 自定義模型

    maixcam部署yolov5s 自定義模型 本博客將向你展示零基礎(chǔ)一步步的部署好自己的yolov5s模型(博主展示的是安全帽模型),訓(xùn)練
    發(fā)表于 04-23 15:43

    yolov5轉(zhuǎn)onnx在cubeAI上部署失敗的原因?

    第一個我是轉(zhuǎn)onnx時 想把權(quán)重文件變小點 就用了半精度 --half,則說17版本不支持半精度 后面則是沒有縮小的單精度 但是顯示哪里溢出了···· 也不說是哪里、、。。。 到底能不能部署yolov5這種東西啊?? 也沒看見幾個部署
    發(fā)表于 03-14 06:23

    基于QT5+OpenCV+OpenVINO C++的應(yīng)用打包過程

    我用QT C++寫了一個YOLOv5模型推理演示應(yīng)用。
    的頭像 發(fā)表于 01-26 10:17 ?1148次閱讀
    基于QT<b class='flag-5'>5</b>+OpenCV+OpenVINO C++的應(yīng)用打包過程

    在C++中使用OpenVINO工具包部署YOLOv5-Seg模型

    YOLOv5兼具速度和精度,工程化做的特別好,Git clone到本地即可在自己的數(shù)據(jù)集上實現(xiàn)目標(biāo)檢測任務(wù)的訓(xùn)練和推理,在產(chǎn)業(yè)界中應(yīng)用廣泛。開源社區(qū)對YOLOv5支持實例分割的呼聲高漲,YOL
    的頭像 發(fā)表于 12-21 10:17 ?2042次閱讀
    在C++中使用OpenVINO工具包<b class='flag-5'>部署</b><b class='flag-5'>YOLOv5</b>-Seg模型

    【愛芯派 Pro 開發(fā)板試用體驗】部署愛芯派官方YOLOV5模型

    繼上文開箱后,本文主要依托愛芯元智官方的實例,進(jìn)行官方YOLOV5模型的部署和測試。 一、環(huán)境搭建 由于8核A55的SoC,加上目前Debian OS的工具齊全,所以決定直接在板上編譯程序
    發(fā)表于 12-12 22:58