yolov5模型(.pt)在RK3588(S)上的部署(实时摄像头检测)

github仓库

• 所需：
  • 安装了Ubuntu20系统的RK3588
  • 安装了Ubuntu18的电脑或者虚拟机

Anaconda教程
YOLOv5教程
经过上面两个教程之后，你应该获取了自己的best.pt文件

• 将models/yolo.py文件中的class类下的forward函数由：

def forward(self, x):
    z = []  # inference output
    for i in range(self.nl):
        x[i] = self.m[i](x[i])  # conv
        bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
        x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
        if not self.training:  # inference
            if self.dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
            if isinstance(self, Segment):  # (boxes + masks)
                xy, wh, conf, mask = x[i].split((2, 2, self.nc + 1, self.no - self.nc - 5), 4)
                xy = (xy.sigmoid() * 2 + self.grid[i]) * self.stride[i]  # xy
                wh = (wh.sigmoid() * 2) ** 2 * self.anchor_grid[i]  # wh
                y = torch.cat((xy, wh, conf.sigmoid(), mask), 4)
            else:  # Detect (boxes only)
                xy, wh, conf = x[i].sigmoid().split((2, 2, self.nc + 1), 4)
                xy = (xy * 2 + self.grid[i]) * self.stride[i]  # xy
                wh = (wh * 2) ** 2 * self.anchor_grid[i]  # wh
                y = torch.cat((xy, wh, conf), 4)
            z.append(y.view(bs, self.na * nx * ny, self.no))
    return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x)

改为：

def forward(self, x):
    z = []  # inference output
    for i in range(self.nl):
        x[i] = self.m[i](x[i])  # conv
    return x

• 将export.py文件中的run函数下的语句：

shape = tuple((y[0] if isinstance(y, tuple) else y).shape)  # model output shape

改为：

shape = tuple((y[0] if isinstance(y, tuple) else y))  # model output shape

• 将你训练模型对应的run/train/目录下的exp/weighst/best.pt文件移动至与export.py同目录下
• 保证工作目录位于yolov5主文件夹,在控制台执行语句：

cd yolov5 
python export.py --weights best.pt --img 640 --batch 1 --include onnx --opset 12

• 然后在主文件夹下出现了一个best.onnx文件，在Netron中查看模型是否正确
• 点击左上角菜单->Properties…
• 查看右侧OUTPUTS是否出现三个输出节点，是则ONNX模型转换成功。
• 如果转换好的best.onnx模型不是三个输出节点，则不用尝试下一步，会各种报错。

• 我使用的是VMWare虚拟机安装的Ubuntu18.04系统，注意，不是在RK3588上，是在你的电脑或者虚拟机上操作这一步骤。

• rknn-toolkit2-1.4.0所需python版本为3.6所以需要安装Miniconda来帮助管理。

• 安装Miniconda for Linux

  • 进入到下载得到的Miniconda3-latest-Linux-x86_64.sh所在目录

    chmod +x Miniconda3-latest-Linux-x86_64.sh
    ./Miniconda3-latest-Linux-x86_64.sh
    

  • 提示什么都一直同意，直到安装完毕。
  • 安装成功后，重新打开终端。
  • 如果安装成功，终端最前面应该会有一个(base)
  • 安装失败的去参考别的Miniconda3安装教程。
  • 创建虚拟环境:

    conda create -n rknn3.6 python=3.6 
    

  • 激活虚拟环境:

    conda activate rknn3.6
    

  • 激活成功时，终端最前面应该会有一个(rknn3.6)

• 下载rknn-toolkit2-1.4.0

  • 到Ubuntu,下载源代码下的RK356X/RK3588 RKNN SDK
  • 进入百度网盘：RKNN_SDK-> RK_NPU_SDK_1.4.0 下载 rknn-toolkit2-1.4.0
  • 下载到Ubuntu后，进入rknn-toolkit2-1.4.0目录

    pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl 
    

  • 等待安装完毕检查是否安装成功：

    python
    from rknn.api import RKNN
    

  • 如果没有报错则成功。
  • 如果报错：
    • 1.是否处于rknn3.6虚拟环境下；
    • 2.pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl是否报错;
    • 3.pip install报错的时候，提示缺什么就用pip install或者sudo apt-get install安装什么;

• 上述所需都安装并且验证成功，则开始下一步。

• 将best.onnx模型转换为best.rknn模型

  • 进入转换目录：

    cd examples/onnx/yolov5
    

  • 最好是复制一份test.py出来进行修改：

    cp test.py ./mytest.py
    

  • 将一开始定义的文件进行修改,这是我修改之后的：

    ONNX_MODEL = 'best.onnx'    #待转换的onnx模型
    RKNN_MODEL = 'best.rknn'    #转换后的rknn模型
    IMG_PATH = './1.jpg'        #用于测试图片
    DATASET = './dataset.txt'   #用于测试的数据集，内容为多个测试图片的名字
    QUANTIZE_ON = True          #不修改
    OBJ_THRESH = 0.25           #不修改
    NMS_THRESH = 0.45           #不修改
    IMG_SIZE = 640              #不修改
    CLASSES = ("person")        #修改为你所训练的模型所含的标签
    

  • 将if __name__ == '__main__':中的语句：

    rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]])
    

  • 修改为

    rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform='rk3588')
    

  • 想要程序执行完，展示推理效果，将以下语句：

    # cv2.imshow("post process result", img_1)
    # cv2.waitKey(0)
    # cv2.destroyAllWindows()
    

  • 注释打开：

    cv2.imshow("post process result", img_1)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    

  • 终端执行：

    python mytest.py
    

  • 运行完展示效果，以及文件夹中出现best.rknn则该步骤成功。

• 在RKNN3588的Ubuntu20系统上安装Miniconda，需要注意的是，RKNN3588的Ubuntu20系统为aarch架构因此下载的Miniconda版本和之前有所不同，需要选择对应的aarch版本。
• aarchMiniconda下载
• 安装不再赘述。
• 创建虚拟环境,因为在RK3588上要用到rknn-toolkit-lite2所以需要安装python3.7:
  • conda create -n rknnlite3.7 python=3.7
  • conda activate rknnlite3.7
• 下载rknn-toolkit-lite2到RK3588，也就是下载rknn-toolkit2-1.4.0，不再赘述。
• 安装rknn-toolkit-lite2
  • 进入rknn-toolkit2-1.4.0/rknn-toolkit-lite2目录

    pip install packages/rknn_toolkit_lite2-1.4.0-cp37-cp37m-linux_aarch64.whl
    

  • 等待安装完毕
  • 测试是否安装成功：

    python
    from rknnlite.api import RKNNLite
    

  • 不报错则成功
• 在example文件夹下新建一个test文件夹
• 在其中放入你转换成功的best.rknn模型以及文章开头github仓库下的detect.py文件
• detect.py文件中需要修改的地方：
  • 定义

    RKNN_MODEL = 'best.rknn'      #你的模型名称
    IMG_PATH = './1.jpg'          #测试图片名
    CLASSES = ("cap")             #标签名
    

  • if __name__ == '__main__'::

    capture = cv2.VideoCapture(11)      #其中的数字为你Webcam的设备编号
    

    • 关于设备编号，在终端中运行：

      v4l2-ctl --list-devices     
      

    • 打印出的Cam之类的字眼对应的/dev/video11中的11就是你的设备编号。
• 运行脚本：

  python detect.py
  

• 部署完成。