1. Yolo11簡(jiǎn)介

YOLO11 系列是 YOLO 家族中最先進(jìn)的 (SOTA)、最輕量級(jí)、最高效的模型，其表現(xiàn)優(yōu)于其前輩。它由 Ultralytics 創(chuàng)建，該組織發(fā)布了 YOLOv8，這是迄今為止最穩(wěn)定、使用最廣泛的 YOLO 變體。YOLO11 將延續(xù) YOLO 系列的傳奇。

本教程針對(duì)目標(biāo)檢測(cè)算法yolo11的訓(xùn)練和部署到EASY-EAI-Nano-TB(RV1126B)進(jìn)行說(shuō)明，而數(shù)據(jù)標(biāo)注方法可以參考我們往期的文章。

2. Yolo11模型訓(xùn)練

Yolov11訓(xùn)練代碼在導(dǎo)出部分對(duì)比原版會(huì)有一些修改，建議下載我們的訓(xùn)練代碼。百度網(wǎng)盤鏈接:https://pan.baidu.com/s/1hu_n425tAxtT26GSGiYtcg?pwd=1234, 提取碼: 1234。

2.1 數(shù)據(jù)集準(zhǔn)備

在開(kāi)始yolo11訓(xùn)練前，先準(zhǔn)備好待訓(xùn)練數(shù)據(jù)，如VOC2007，下載鏈接：

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html

然后將VOC2007數(shù)據(jù)分成訓(xùn)練集和測(cè)試集兩個(gè)目錄，如下圖示意：

2.2 Voc轉(zhuǎn)Yolo

數(shù)據(jù)準(zhǔn)備好后，使用data/voc_2_yolo.py腳本將Voc數(shù)據(jù)格式轉(zhuǎn)成Yolo數(shù)據(jù)格式。轉(zhuǎn)換完成后的數(shù)據(jù)存儲(chǔ)在原數(shù)據(jù)同級(jí)目錄的yolo_data下，如下圖示意：

2.3 訓(xùn)練參數(shù)配置

數(shù)據(jù)轉(zhuǎn)換完成后，在配置模型的訓(xùn)練參數(shù)：data.yaml，default.yaml，yolo11.yaml.

其中：

data.yaml：為待訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的路徑，以及類別數(shù)和類別名稱；

default.yaml：為yolo11訓(xùn)練參數(shù)，可自行調(diào)整模型訓(xùn)練的參數(shù)；

Yolo11.yaml：為yolo11模型結(jié)構(gòu)，在模型訓(xùn)練時(shí)，你需要修改類別數(shù)。

更多關(guān)于yolo11信息可參考：YOLOv11通俗易懂！| YOLOv11網(wǎng)絡(luò)結(jié)構(gòu)解讀 、yolov11.yaml配置文件詳細(xì)解讀與說(shuō)明、模型訓(xùn)練參數(shù)詳細(xì)解析 | 入門必看系列！

2.4 模型訓(xùn)練

完成上述步驟后，就可以開(kāi)始訓(xùn)練模型了，打開(kāi)train.py腳本，輸入data.yaml，default.yaml，yolo11.yaml路徑，如下代碼段所示：

from ultralytics import YOLO import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" # 程序報(bào)OMP: Hint This means...錯(cuò)誤時(shí)使用 if __name__ == '__main__': cfg = "./demo/voc2007/cfg/default.yaml" data = './demo/voc2007/cfg/data.yaml' weight = "./demo/voc2007/cfg/yolo11.yaml" # pt 或 yolovx.yaml model = YOLO(weight) results = model.train( data=data, cfg=cfg )

執(zhí)行train.py訓(xùn)練腳本，開(kāi)始模型訓(xùn)練，如下示意圖：

python train.py

注意，訓(xùn)練過(guò)程僅是為了演示流程，接下來(lái)模型預(yù)測(cè)和模型轉(zhuǎn)換的都是yolov11默認(rèn)的80類的模型。

2.5 PC端預(yù)測(cè)模型預(yù)測(cè)

訓(xùn)練完畢后，在default.yaml文件配置的project目錄下保存訓(xùn)練過(guò)程，經(jīng)驗(yàn)證集測(cè)試的最好結(jié)果的模型。同時(shí)可以執(zhí)行模型預(yù)測(cè)，初步評(píng)估模型的效果。打開(kāi)predict.py腳本，配置好模型地址和待檢測(cè)圖片，如下代碼段所示：

if __name__ == '__main__': random.seed(0) device_ = "cpu" imgsz = (640, 640) model_path = "./demo/weights/yolo11s.pt" img_path = "./demo/images/bus.jpg" is_dir = os.path.isdir(img_path) device = select_device(device_) model = YOLO(model_path) # 圖片預(yù)處理 if is_dir: filenames = os.listdir(img_path) for idx, file in enumerate(filenames): img_file = os.path.join(img_path, file) im = cv2.imread(img_file) # uint8 numpy array pre_img, ratio, padding = preprocess(im, device, imgsz) # 模型預(yù)測(cè) # pred = model.predict(pre_img, augment=False)[0] # im = draw_result(im, pred, ratio, padding) pred = model.predict(im, augment=False)[0] im = draw_result(im, pred) cv2.imshow("dst", im) cv2.waitKey() else: im = cv2.imread(img_path) # uint8 numpy array pre_img, ratio, padding = preprocess(im, device, imgsz) # 模型預(yù)測(cè) # pred = model.predict(pre_img, augment=False)[0] # im = draw_result(im, pred, ratio, padding) pred = model.predict(im, augment=False)[0] im = draw_result(im, pred) cv2.imshow("dst", im) cv2.waitKey()

執(zhí)行腳本:

python predict.py

運(yùn)行腳本結(jié)果：

2.6 PT模型轉(zhuǎn)ONNX

在PC端執(zhí)行export.py將pt模型轉(zhuǎn)成onnx，如下代碼段所示：

from ultralytics import YOLO if __name__ == '__main__': format = 'rknn' # 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn' weight = "./demo/weights/yolo11s.pt" # pt 或 yolovx.yaml model = YOLO(weight) results = model.export(format = format)

3. rknn-toolkit模型轉(zhuǎn)換

3.1 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(yùn)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(guò)類似的方法進(jìn)行模型轉(zhuǎn)換，只是本教程onnx為例。

3.1.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

3.1.2 下載模型轉(zhuǎn)換工具

為了保證模型轉(zhuǎn)換工具順利運(yùn)行，請(qǐng)下載網(wǎng)盤里“06.AI算法開(kāi)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。

3.1.3 把工具移到ubuntu20.04

把下載完成的docker鏡像移到我司的虛擬機(jī)ubuntu20.04的rknn-toolkit2目錄,如下圖所示：

3.1.4 運(yùn)行模型轉(zhuǎn)換工具環(huán)境

在該目錄打開(kāi)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(jìn)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(kù)，嘗試加載rknn庫(kù)，如下圖環(huán)境測(cè)試成功:

至此，模型轉(zhuǎn)換工具環(huán)境搭建完成。

4. 模型轉(zhuǎn)換為RKNN

EASY EAI Nano-TB支持.rknn后綴的模型的評(píng)估及運(yùn)行，對(duì)于常見(jiàn)的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過(guò)我們提供的 toolkit 工具將其轉(zhuǎn)換至 rknn 模型，而對(duì)于其他框架訓(xùn)練出來(lái)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：

4.1 模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤鏈接：https://pan.baidu.com/s/1ec_JdLu8Z4VcwiXzOgtnYg?pwd=1234 提取碼：1234。把 yolov11_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機(jī)，如下圖所示:

4.2 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-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:

4.3 模型轉(zhuǎn)換操作說(shuō)明

4.3.1 模型轉(zhuǎn)換Demo目錄結(jié)構(gòu)

模型轉(zhuǎn)換測(cè)試Demo由yolov11_model_convert和quant_dataset組成。yolov11_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:

Yolov11_model_convert文件夾存放以下內(nèi)容，如下圖所示：

4.3.2 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/yolov11_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:

4.3.3 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 sys from rknn.api import RKNN ONNX_MODEL = 'yolov11s.onnx' DATASET = './pic_path.txt' RKNN_MODEL = './yolov11s_rv1126b.rknn' QUANTIZE_ON = True if __name__ == '__main__': # Create RKNN object rknn = RKNN(verbose=False) # Pre-process config print('--> Config model') rknn.config(mean_values=[[0, 0, 0]], std_values=[ [255, 255, 255]], target_platform='rv1126b') print('done') # Load model print('--> Loading model') ret = rknn.load_onnx(model=ONNX_MODEL) if ret != 0: print('Load model failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) if ret != 0: print('Build model failed!') exit(ret) print('done') # Export rknn model print('--> Export rknn model') ret = rknn.export_rknn(RKNN_MODEL) if ret != 0: print('Export rknn model failed!') exit(ret) print('done') # Release rknn.release()

把onnx模型yolov11s.onnx放到yolov11_model_convert目錄(后續(xù)用戶使用自己的模型的時(shí)候，替換掉對(duì)應(yīng)的onnx即可)，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-TB環(huán)境運(yùn)行：

5. 模型部署示例

5.1 模型部署示例介紹

本小節(jié)展示yolo11模型的在EASY EAI Nano-TB的部署過(guò)程，本章章節(jié)使用的yolo11s.rknn模型的是由Ultralytics 官方提供的yolo11s.pt轉(zhuǎn)換而來(lái)。

5.2 準(zhǔn)備工作

5.2.1 硬件準(zhǔn)備

需準(zhǔn)備EASY EAI Nano-TB開(kāi)發(fā)板，Type-C數(shù)據(jù)線、網(wǎng)線?？梢曰贛obaXterm的ssh遠(yuǎn)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(jī)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(kāi)發(fā)環(huán)境準(zhǔn)備

如果您初次閱讀此文檔，請(qǐng)閱讀《入門指南/開(kāi)發(fā)環(huán)境準(zhǔn)備/Easy-Eai編譯環(huán)境準(zhǔn)備與更新》，并按照其相關(guān)的操作，進(jìn)行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進(jìn)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yolo11 C Demo示例文件。

百度網(wǎng)盤鏈接: https://pan.baidu.com/s/1L813lXcEe7sFKDoUFf1AgA?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 yolov11_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(jìn)入到對(duì)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/yolov11_detect_C_demo ./build.sh

同時(shí)，把可執(zhí)行程序目錄yolov11_detect_demo_release/復(fù)制到開(kāi)發(fā)板/userdata目錄上：

cp yolov11_detect_demo_release/ /mnt/userdata/ -rf

5.4 開(kāi)發(fā)板執(zhí)行yolov11目標(biāo)檢測(cè)算法

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

cd /userdata/yolov11_detect_demo_release/

運(yùn)行例程命令如下所示：

chmod 777 yolov11detect_demo sudo ./yolov11_detect_demo yolov11s_rv1126b.rknn bus.jpg

執(zhí)行結(jié)果如下圖所示,算法執(zhí)行時(shí)間為54ms：

在EASY-EAI編譯環(huán)境可以取回測(cè)試圖片:

cp /mnt/userdata/yolov11_detect_demo_release/results.jpg .

測(cè)試結(jié)果如下圖所示:

至此，yolov11目標(biāo)檢測(cè)例程已成功在板卡運(yùn)行。

6. 資料下載