瑞芯微rk3588部署yolov5模型实战

原创

已于 2023-11-17 17:01:39 修改 · 5k 阅读

标签

#YOLO #人工智能 #嵌入式硬件

收录于

于 2023-08-11 16:53:26 首次发布

博客介绍了YOLO模型转换与部署。模型转换包括将pt模型转为onnx模型，再将onnx模型转为rknn模型，转换时需注意参数设置。模型部署以Linux平台为例，涵盖编译、推送执行文件到板子、单图和多图测试等步骤，适用于多种RK平台。

瑞芯微rk3588部署yolov5模型实战

模型转换
- 通过pt模型转换为onnx模型
- 通过onnx模型转换为rknn模型
模型部署

模型转换

使用此yolov5 仓库获取yolov5代码以及模型

通过pt模型转换为onnx模型

python export.py --rknpu rk3588 --weight yolov5s.pt

rk_platform 支持 rk1808、rv1109、rv1126、rk3399pro、rk3566、rk3562、rk3568、rk3588、rv1103、rv1106。（实际上，无论平台如何，导出的模型都是相同的）
’yolov5s.pt’ 可以替换为您的模型路径
将生成一个文件名“RK_anchors.txt”，可以在外部执行 post_process 时使用它。
注意：请使用–rknpu参数调用，不要更改export.py中的默认rknpu值。
在这里插入图片描述

通过onnx模型转换为rknn模型

使用此模型转换库
打开yolo_ppyolo.yml文件

#support yolo[v5,v6,v7,v8], ppyoloe_plus
model_framework: onnx
model_file_path: best_3588B.onnx
RK_device_platform: RK3588

dataset: coco_dataset_20.txt
quantize: True
pre_compile: online

graph:
  in_0:
    shape: 3,640,640
    mean_values: 0
    std_values: 255
    img_type: RGB

configs:
  quantized_dtype: asymmetric_quantized-8
  quantized_algorithm: normal
  optimization_level: 3

根据模型修改 yml 配置文件参数
在这里插入图片描述