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。

本教程針對目標檢測算法yolov5的訓(xùn)練和部署到EASY-EAI-Nano-TB(RV1126B)進行說明，而數(shù)據(jù)標注方法可以參考我們往期的文章。

2. 準備數(shù)據(jù)集

2.1 數(shù)據(jù)集下載

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

https://pan.baidu.com/s/14TxzPfEaEBXYUdM4OfryKg?pwd=1234 提取碼：1234

解壓完成后得到以下三個文件：

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和驗證樣本列表文件valid.txt,如下圖所示：

3. Yolov5目標檢測算法訓(xùn)練

3.1 訓(xùn)練源碼下載

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

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)練一個口罩檢測模型為例進行說明。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

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：

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-Nano-TB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tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進行模型轉(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)換工具順利運行，請下載網(wǎng)盤里“06.AI算法開發(fā)/01.rknn-toolkit2模型轉(zhuǎn)換工具/rknn-toolkit2-v2.3.2/docker/docker_image/rknn-toolkit2-v2.3.2-cp38-docker.tar.gz”。

網(wǎng)盤下載鏈接:https://pan.baidu.com/s/1wUy-UBy9n81p7jlee_dBVA?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ubuntu20.04的rknn-toolkit2目錄,如下圖所示：

4.1.4 運行模型轉(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-v2.3.2-cp38-docker.tar.gz

執(zhí)行以下指令進入鏡像bash環(huán)境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert_test:/test rknn-toolkit2:2.3.2-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-Nano-TB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/1bv3lBLFsClsX8a5n0L7Ppg?pwd=1234 提取碼：1234。把 yolov5_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機，如下圖所示:

4.2.2 進入模型轉(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-toolkit2:2.3.2-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gen_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腳本默認進行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_rv1126b.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(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform = 'rv1126b') 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yolov5_model_convert目錄，并執(zhí)行rknn_convert.py腳本進行模型轉(zhuǎn)換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在EASY EAI Nano-TB環(huán)境運行：

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 Nano-TB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。

5.2 準備工作

5.2.1 硬件準備

需準備EASY EAI Nano-TB開發(fā)板，Type-C數(shù)據(jù)線、網(wǎng)線。可以基于MobaXterm的ssh遠程桌面登錄調(diào)試。首先使用網(wǎng)線把EASY EAI Nano-TB的千兆以太網(wǎng)接口與連著路由LAN口的交換機或者路由器的LAN口連接，如下圖所示。

以及串口連接。

5.2.2 開發(fā)環(huán)境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發(fā)環(huán)境準備/Easy-Eai編譯環(huán)境準備與更新》，并按照其相關(guān)的操作，進行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment ./run.sh 2204

5.3 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/1oeCpFAcFdHgY_4FelAYP1Q?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:

在EASY-EAI 編譯環(huán)境下，進入到對應(yīng)的例程目錄執(zhí)行編譯操作，具體命令如下所示：

cd /opt/nfsroot/rknn-src/RV1126B/yolov5_detect_C_demo ./build.sh

同時，把可執(zhí)行程序目錄yolov5_detect_demo_release/復(fù)制到開發(fā)板/userdata目錄上：

cp yolov5_detect_demo_release/ /mnt/userdata/ -rf

5.4 在開發(fā)板執(zhí)行yolov5 目標檢測算法

通過串口調(diào)試或ssh調(diào)試，進入板卡后臺，定位到例程部署的位置，如下所示：

cd /userdata/yolov5_detect_demo_release/

運行例程命令如下所示：

chmod 777 yolov5_detect_demo sudo ./yolov5_detect_demo

執(zhí)行結(jié)果如下圖所示,算法執(zhí)行時間為38ms：

在EASY-EAI編譯環(huán)境可以取回測試圖片:

cp /mnt/userdata/yolov5_detect_demo_release/result.jpg .

測試結(jié)果如下圖所示:

至此，yolov5目標檢測例程已成功在板卡運行。

6. 資料下載