特别说明：参考官方开源的yolov8代码、瑞芯微官方文档、地平线的官方文档，如有侵权告知删，谢谢。
由于yolov8的官方代码结构进行了很大的调整，之前yolov8刚出来的时候写的部署博客，有网友反馈找不到对应的地方，基于截至2023年11月官方最新代码结构进行部署博客来了。写博文时使用的训练代码-版本到2023年11月15日。
之前给出过完整的部署仿真代码和模型，今天只对如何导出能上板端芯片，且效率高的流程进行梳理。
模型和完整仿真测试代码，放在github上参考链接 模型和代码。
本篇博客中给出的示例，是基于船舶检测一个数据集进行训练的，只检测船舶一个类别，只是来验证流程，给出的完整代码和模型参考链接还是之前一篇博客【yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署】中的代码。
1 模型和训练
训练代码参考官方开源的yolov8训练代码，如果板端芯片不支持SiLU，建议训练的时候把SiLU改为ReLU。
2 导出 yolov8 onnx
后处理中有些算在板端芯片上效率低或者不支持，导出 onnx 需要将板端芯片不友好或不支持算子规避掉。导出onnx修改的部分。（注意以下步骤顺序不能乱，且有些步骤会运行保存，但只要能生成对应的文件就可以，报错不用管。）
第一步：
进行预测将pt只保存权重，增加代码如下图。
# 保存权重值
import torch
self.model.fuse()
self.model.eval()
print('save yolov8_relu_dict')
torch.save(self.model.state_dict(), './weights/yolov8_relu_dict.pt')
修改后运行以下代码：
from ultralytics import YOLO
model = YOLO('./weights/yolov8_relu.pt')
results = model(task='detect', mode='predict', source='./images/test.jpg', line_thickness=3, show=True, save=True, device='cpu')
第二步：
导出onnx，去除不需要的算子，修改代码如下。
class Detect(nn.Module):
"""YOLOv8 Detect head for detection models."""
dynamic = False # force grid reconstruction
export = False # export mode
shape = None
anchors = torch.empty(0) # init
strides = torch.empty(0) # init
def __init__(self, nc=80, ch=()):
"""Initializes the YOLOv8 detection layer with specified number of classes and channels."""
super().__init__()
self.nc = nc # number of classes
self.nl = len(ch) # number of detection layers
self.reg_max = 16 # DFL channels (ch[0] // 16 to scale 4/8/12/16/20 for n/s/m/l/x)
self.no = nc + self.reg_max * 4 # number of outputs per anchor
self.stride = torch.zeros(self.nl) # strides computed during build
c2, c3 = max((16, ch[0] // 4, self.reg_max * 4)), max(ch[0], min(self.nc, 100)) # channels
self.cv2 = nn.ModuleList(
nn.Sequential(Conv(x, c2, 3), Conv(c2, c2, 3), nn.Conv2d(c2, 4 * self.reg_max, 1)) for x in ch)
self.cv3 = nn.ModuleList(nn.Sequential(Conv(x, c3, 3), Conv(c3, c3, 3), nn.Conv2d(c3, self.nc, 1)) for x in ch)
self.dfl = DFL(self.reg_max) if self.reg_max > 1 else nn.Identity()
# 导出 onnx 增加
self.conv1x1 = nn.Conv2d(16, 1, 1, bias=False).requires_grad_(False)
xx = torch.arange(16, dtype=torch.float)
self.conv1x1.weight.data[:] = nn.Parameter(xx.view(1, 16, 1, 1))
def forward(self, x):
"""Concatenates and returns predicted bounding boxes and class probabilities."""
shape = x[0].shape # BCHW
# 导出 onnx 增加
y = []
for i in range(self.nl):
t1 = self.cv2[i](x[i])
t2 = self.cv3[i](x[i])
y.append(self.conv1x1(t1.view(t1.shape[0], 4, 16, -1).transpose(2, 1).softmax(1)))
y.append(t2)
return y
for i in range(self.nl):
x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)
if self.training:
return x
elif self.dynamic or self.shape != shape:
self.anchors, self.strides = (x.transpose(0, 1) for x in make_anchors(x, self.stride, 0.5))
self.shape = shape
x_cat = torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2)
if self.export and self.format in ('saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs'): # avoid TF FlexSplitV ops
box = x_cat[:, :self.reg_max * 4]
cls = x_cat[:, self.reg_max * 4:]
else:
box, cls = x_cat.split((self.reg_max * 4, self.nc), 1)
dbox = dist2bbox(self.dfl(box), self.anchors.unsqueeze(0), xywh=True, dim=1) * self.strides
if self.export and self.format in ('tflite', 'edgetpu'):
# Normalize xywh with image size to mitigate quantization error of TFLite integer models as done in YOLOv5:
# https://github.com/ultralytics/yolov5/blob/0c8de3fca4a702f8ff5c435e67f378d1fce70243/models/tf.py#L307-L309
# See this PR for details: https://github.com/ultralytics/ultralytics/pull/1695
img_h = shape[2] * self.stride[0]
img_w = shape[3] * self.stride[0]
img_size = torch.tensor([img_w, img_h, img_w, img_h], device=dbox.device).reshape(1, 4, 1)
dbox /= img_size
y = torch.cat((dbox, cls.sigmoid()), 1)
return y if self.export else (y, x)
def bias_init(self):
"""Initialize Detect() biases, WARNING: requires stride availability."""
m = self # self.model[-1] # Detect() module
# cf = torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlength=nc) + 1
# ncf = math.log(0.6 / (m.nc - 0.999999)) if cf is None else torch.log(cf / cf.sum()) # nominal class frequency
for a, b, s in zip(m.cv2, m.cv3, m.stride): # from
a[-1].bias.data[:] = 1.0 # box
b[-1].bias.data[:m.nc] = math.log(5 / m.nc / (640 / s) ** 2) # cls (.01 objects, 80 classes, 640 img)
增加保存onnx模型代码，如下：
def _new(self, cfg: str, task=None, model=None, verbose=True):
"""
Initializes a new model and infers the task type from the model definitions.
"""
cfg_dict = yaml_model_load(cfg)
self.cfg = cfg
self.task = task or guess_model_task(cfg_dict)
self.model = (model or self._smart_load('model'))(cfg_dict, verbose=verbose and RANK == -1) # build model
self.overrides['model'] = self.cfg
self.overrides['task'] = self.task
# Below added to allow export from YAMLs
self.model.args = {**DEFAULT_CFG_DICT, **self.overrides} # combine default and model args (prefer model args)
self.model.task = self.task
# 保存onnx
import torch
self.model.fuse()
self.model.load_state_dict(torch.load('./weights/yolov8_relu_dict.pt', map_location='cpu'), strict=False)
self.model.eval()
print("=========== onnx =========== ")
dummy_input = torch.randn(1, 3, 640, 640)
input_names = ["data"]
output_names = ["reg1", "cls1", "reg2", "cls2", "reg3", "cls3"]
torch.onnx.export(self.model, dummy_input, "./weights/yolov8_relu.onnx", verbose=False, input_names=input_names, output_names=output_names, opset_version=12)
print("======================== convert onnx Finished! .... ")
以上修改后完运行以下代码（注意和第一次运行的不一样，这次加载的是yaml）：
from ultralytics import YOLO
model = YOLO('./ultralytics/models/v8/yolov8n.yaml')
特别说明顺序一定不能错，一定不能错，如果重新训练模型后，需要再次生成onnx模型，需要先把第二步的修改撤回再运行第一步。
3 pytorch 测试效果
3 onnx 测试效果
注：图片来源一求助网友，若侵权请告知删除。
4 rknn 板端C++部署
C++完整部署参考
说明：由于检测的类别数目不一样，不同的检测类别数目，模型推理和后处理的时耗也是不完全一致的，类别越少模型推理和后处理时耗越少。
5 yolov8导出瑞芯微rknn和地平线horizon仿真测
5.1 瑞芯微 rknn 仿真
瑞芯微环境搭建和详细步骤参考上一篇 【瑞芯微RKNN模型转换和PC端仿真】。
yolov8导出rknn模型代码和后处理参考 yolov8_rknn
5.2 地平线仿真
地平线环境搭建和详细步骤参考上一篇 【地平线Horizon模型转换和PC端仿真测试】。
yolov8导出地平线模型代码和后处理参考 yolov8_horizon
6 官方导出onnx方式进行瑞芯微rknn和地平线horizon仿真测试
yolov8 官方模型进行瑞芯微RKNN和地平线Horizon芯片仿真测试部署
文章出处登录后可见！
已经登录？立即刷新