flash制作网站top,没有域名网站吗,广州网站优化系统,北京网站建设技术托管已在GitHub开源与本博客同步的YOLOv6_RK3588_object_detect项目#xff0c;地址#xff1a;https://github.com/A7bert777/YOLOv6_RK3588_object_detect 详细使用教程#xff0c;可参考README.md或参考本博客第六章 模型部署 文章目录一、项目回顾二、模型选择介绍三、项目文…
已在GitHub开源与本博客同步的YOLOv6_RK3588_object_detect项目地址https://github.com/A7bert777/YOLOv6_RK3588_object_detect 详细使用教程可参考README.md或参考本博客第六章 模型部署
文章目录一、项目回顾二、模型选择介绍三、项目文件梳理四、YOLOv5模型训练 PT转ONNX五、ONNX转RKNN六、模型部署一、项目回顾
博主之前有写过YOLO11、YOLOv8目标检测图像分割、YOLOv10、v5目标检测、MoblieNetv2、ResNet50图像分类的模型训练、转换、部署文章感兴趣的小伙伴可以了解下 【YOLO11部署至RK3588】模型训练→转换RKNN→开发板部署 【YOLOv10部署RK3588】模型训练→转换rknn→部署流程 【YOLOv8-obb部署至RK3588】模型训练→转换RKNN→开发板部署 【YOLOv8-pose部署至RK3588】模型训练→转换RKNN→开发板部署 【YOLOv8部署至RK3588】模型训练→转换rknn→部署全流程 【YOLOv8seg部署RK3588】模型训练→转换rknn→部署全流程 【YOLOv7部署至RK3588】模型训练→转换RKNN→开发板部署 【YOLOv5部署至RK3588】模型训练→转换RKNN→开发板部署 【MobileNetv2图像分类部署至RK3588】模型训练→转换rknn→部署流程 【ResNet50图像分类部署至RK3588】模型训练→转换RKNN→开发板部署 YOLOv8n部署RK3588开发板全流程pt→onnx→rknn模型转换、板端后处理检测
二、模型选择介绍
近期需要做一个针对图像目标检测的模型并部署到RK3588公版的开发板上可选择的有YOLOv5、YOLOv8、YOLOv10、YOLO11、YOLOv7、YOLOv5等其他算法都已经部署过了目前还没有部署过YOLOv6因此准备出一篇YOLOv6的全流程部署教程以此文记录相互学习诸君共勉。
三、项目文件梳理
YOLOv6训练、转换、部署所需三个项目文件 第一个YOLOv6模型训练以及转换onnx的项目文件链接在此 第二个用于在虚拟机中进行onnx转rknn的虚拟环境配置项目文件(链接在此) 第三个在开发板上做模型部署的项目文件(链接在此)
这里说下为什么第一个文件要用瑞芯微的仓库而不是美团YOLOv6官方的仓库瑞芯微的官方回复如下 主要就是DFL结构如果内嵌在模型中在NPU上推理时会很慢所以将其剔出模型结构而放在C代码中实现同事规避大量的计算内容加快推理速度。
注第一个文件使用main版本第二个和第三个文件均使用2.1.0tag版本 如下所示 四、YOLOv5模型训练 PT转ONNX
先将第一个文件 git clone 后创建并安装conda环境
conda create -n yolov6-rknnpython3.8conda activate yolov6-rknnpip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple等待安装完成
修改tools/train.py中的配置参数 我的train.py的参数如下所示 至于batchsize和epoch就因人而异了我主要是做个演示所以epoch就设为10常规设置为300batchsize为64
其中mycoco.yaml如下所示
# COCO 2017 dataset http://cocodataset.org
train: /xxx/Dataset/Constrution/MOCS/MOCS/images/train # 118287 images
val: /xxx/Dataset/Constrution/MOCS/MOCS/images/val # 5000 images
# test: ../coco/images/test2017
# anno_path: ../coco/annotations/instances_val2017.json# number of classes
nc: 8
# whether it is coco dataset, only coco dataset should be set to True.
is_coco: False# class names
names: [ Worker, Bulldozer, Excavator, Truck, Loader, Pump truck, Concrete transport Mixer, Pile driver]
yolov6n.py如下所示
# YOLOv6n model
model dict(typeYOLOv6n,pretrainedNone,depth_multiple0.33,width_multiple0.25,backbonedict(typeEfficientRep,num_repeats[1, 6, 12, 18, 6],out_channels[64, 128, 256, 512, 1024],fuse_P2True,cspsppfTrue,),neckdict(typeRepBiFPANNeck,num_repeats[12, 12, 12, 12],out_channels[256, 128, 128, 256, 256, 512],),headdict(typeEffiDeHead,in_channels[128, 256, 512],num_layers3,begin_indices24,anchors3, anchors_init[[10,13, 19,19, 33,23], [30,61, 59,59, 59,119], [116,90, 185,185, 373,326]],out_indices[17, 20, 23],strides[8, 16, 32],atss_warmup_epoch0,iou_typesiou,use_dflFalse, # set to True if you want to further train with distillation reg_max0, # set to 16 if you want to further train with distillationdistill_weight{class: 1.0,dfl: 1.0,},)
)solver dict(optimSGD,lr_schedulerCosine,lr00.02,lrf0.01,momentum0.937,weight_decay0.0005,warmup_epochs3.0,warmup_momentum0.8,warmup_bias_lr0.1
)data_aug dict(hsv_h0.015,hsv_s0.7,hsv_v0.4,degrees0.0,translate0.1,scale0.5,shear0.0,flipud0.0,fliplr0.5,mosaic1.0,mixup0.0,
)
执行train.py进行训练
python train.py训练完成后终端结果如下所示 训练完成后将best.pt模型复制到YOLOv6-main路径下我将其重命名为yolov6_best.pt如下所示 接下来一步比较细节看你在训练时选择的是nsml哪种大小的模型如果是n和s则修改./models/heads/effidehead_distill_ns.py文件如果是m和l则修改./models/effidehead.py文件至于修改什么内容如下所示 因为我训练时选择的是yolov6n所以我按照要求进行了如下的注释
然后执行转化命令 python deploy/RKNN/export_onnx_for_rknn.py --weight ./yolov6_best.pt结果如下所示 然后就能在当前路径下看到刚生成的ONNX模型
用netron工具打开这个onnx模型输入输出应该大致如下所示
五、ONNX转RKNN
在进行这一步的时候如果你是在云服务器上运行请先确保你租的卡能支持RKNN的转换运行。博主是在自己的虚拟机中进行转换。 先安装转换环境 这里我们先创建环境
conda create -n rknn210 python3.8创建完成如下所示
现在需要用到 第二个文件rknn-toolkit2-2.1.0文件 。 进入rknn-toolkit2-2.1.0\rknn-toolkit2-2.1.0\rknn-toolkit2\packages文件夹下看到如下内容
在终端激活环境在终端输入
pip install -r requirements_cp38-2.1.0.txt -i https://pypi.tuna.tsinghua.edu.cn/simple然后再输入 pip install rknn_toolkit2-2.1.0708089d1-cp38-cp38-linux_x86_64.whl然后我们的转rknn环境就配置完成了。
现在要进行模型转换其实大家可以参考rknn_model_zoo-2.1.0\examples\yolov6下的README指导进行转换
这里我也详细再说一遍转换流程修改/rknn_model_zoo-2.1/examples/yolov6/python/convert.py如下所示 修改完成后将我们之前得到的onnx模型复制到model文件夹下 激活刚才提到的conda环境后执行python文件夹下的转换脚本convert.py
python convert.py ../model/yolov6_best.onnx rk3588如下所示
然后在model文件夹下就会看到生成的RKNN模型
用netron打开rknn模型输入输出如下所示 可以看到正确转出的RKNN模型和ONNX模型的结构一致同为1个输出通道9个输出通道。
六、模型部署
如果前面流程都已实现模型的结构也没问题的话则可以进行最后一步模型端侧部署。 我已经帮大家做好了所有的环境适配工作科学上网后访问博主GitHub仓库: YOLOv6_RK3588_object_detect进行简单的路径修改就即可编译运行。
统一声明 1、这个仓库的项目只能做图片的批量检测不支持视频流检测没时间做这个有需要的自己修改代码。 2、从GitHub的README.md中加QQ后直接说问题和小星星截图对于常见的相同问题很多都已在CSDN博客中提到了RKNN转换流程是统一的可去博主所有的RKNN相关博客下去翻评论已在评论中详细解释过的问题不予回复。 我已经把自己的RKNN模型放到了Github项目的model文件夹下、测试图片放到inputimage文件夹下大家 git clone 后可直接先把build下内容删掉然后重新编译在用我的RKNN模型和图片直接运行测试。 it clone后把项目复制到开发板上按如下流程操作 ①cd build删除所有build文件夹下的内容 ②cd src 修改main.cc修改main函数中的如下三个内容将这三个参数改成自己的绝对路径
③cd src 修改postprocess.cc下的txt标签的绝对路径
解释一下这个标签路径中的内容如下所示
其实就是你在训练模型时在yaml配置文件中的那几个类别名如果你先用博主的RKNN模型测试则无需要改txt中的内容
④修改include/postprocess.h 中的宏 OBJ_CLASS_NUM
⑤把你之前训练好并已转成RKNN格式的模型放到 model 文件夹下然后把你要检测的所有图片都放到 inputimage 文件夹下在运行程序后生成的结果图片在 outputimage 目录下。
⑥进入build文件夹进行编译
cd buildcmake ..make在build下生成可执行文件文件rknn_yolov6_demo
在build路径下输入
./rknn_yolov6_demo运行结果如下所示
生成的结果图片在 outputimage 目录下我也将其上传到Github项目中
在执行完 ./rknn_yolov6_demo 后在 outputimage 下的输出结果图片示例 上述即博主此次更新的YOLOv6部署RK3588包含PT转ONNX转RKNN的全流程步骤 博主此次的YOLOv6部署文章只是想把YOLO全系的部署填坑但想提醒各位读者如果条件允许还是选择YOLOv8、YOLO11算法至于其余版本的YOLO效果都比较一般Ultralytics才是版本答案
