1. Yolo11簡介

YOLO11 系列是 YOLO 家族中最先進的 (SOTA)、最輕量級、最高效的模型，其表現優于其前輩。它由 Ultralytics 創建，該組織發布了 YOLOv8，這是迄今為止最穩定、使用最廣泛的 YOLO 變體。YOLO11 將延續 YOLO 系列的傳奇。

本教程針對目標檢測算法yolo11的訓練和部署到EASY-EAI-Orin-nano(RK3576)進行說明，而數據標注方法可以參考我們往期的文章。

2. Yolo11模型訓練

Yolov11訓練代碼在導出部分對比原版會有一些修改，建議下載我們的訓練代碼。

2.1 數據集準備

在開始yolo11訓練前，先準備好待訓練數據，如VOC2007，下載鏈接：

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

然后將VOC2007數據分成訓練集和測試集兩個目錄，如下圖示意：

2.2 Voc轉Yolo

數據準備好后，使用data/voc_2_yolo.py腳本將Voc數據格式轉成Yolo數據格式。轉換完成后的數據存儲在原數據同級目錄的yolo_data下，如下圖示意：

2.3 訓練參數配置

數據轉換完成后，在配置模型的訓練參數：data.yaml，default.yaml，yolo11.yaml.

其中：

data.yaml：為待訓練數據和驗證數據的路徑，以及類別數和類別名稱；

default.yaml：為yolo11訓練參數，可自行調整模型訓練的參數；

Yolo11.yaml：為yolo11模型結構，在模型訓練時，你需要修改類別數。

更多關于yolo11信息可參考：

https://blog.csdn.net/qq_45972324/article/details/143892222

2.4 模型訓練

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

fromultralyticsimportYOLO
importos


os.environ["KMP_DUPLICATE_LIB_OK"] ="TRUE"# 程序報OMP: Hint This means...錯誤時使用


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
  )

執行train.py訓練腳本，開始模型訓練，如下示意圖：

pythontrain.py

注意：訓練過程僅是為了演示流程，接下來模型預測和模型轉換的都是yolov11默認的80類的模型。

2.5 PC端預測模型預測

訓練完畢后，在default.yaml文件配置的project目錄下保存訓練過程，經驗證集測試的最好結果的模型。同時可以執行模型預測，初步評估模型的效果。打開predict.py腳本，配置好模型地址和待檢測圖片，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)
 # 圖片預處理
 ifis_dir:
    filenames = os.listdir(img_path)
   foridx, fileinenumerate(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)
     # 模型預測
     # 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)
   # 模型預測
   # 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()

執行腳本:

pythonpredict.py

運行腳本結果：

2.6 PT模型轉ONNX

在PC端執行export.py將pt模型轉成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模型轉換

3.1 rknn-toolkit模型轉換環境搭建

onnx模型需要轉換為rknn模型才能在EASY-EAI-Orin-nano運行，所以需要先搭建rknn-toolkit模型轉換工具的環境。當然tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進行模型轉換，只是本教程onnx為例。

3.1.1 概述

模型轉換環境搭建流程如下所示：

3.1.2 下載模型轉換工具

為了保證模型轉換工具順利運行，請下載網盤里“06.AI算法開發/01.rknn-toolkit2模型轉換工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

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ubuntu20.04的rknn-toolkit2目錄,如下圖所示：

3.1.4 運行模型轉換工具環境

在該目錄打開終端：

執行以下指令加載模型轉換工具docker鏡像:

dockerload --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

執行以下指令進入鏡像bash環境:

docker run-t-i--privileged-v/dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38/bin/bash

現象如下圖所示:

輸入“python”加載python相關庫，嘗試加載rknn庫，如下圖環境測試成功:

至此，模型轉換工具環境搭建完成。

4. 模型轉換為RKNN

EASY EAI Orin-nano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 工具將其轉換至 rknn 模型，而對于其他框架訓練出來的模型，也可以先將其轉至 onnx 模型再轉換為 rknn 模型。模型轉換操作流程如下圖所示：

4.1 模型轉換Demo下載

把 yolov11_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機，如下圖所示:

4.2 進入模型轉換工具docker環境

執行以下指令把工作區域映射進docker鏡像，其中/home/developer/rknn-toolkit2/model_convert為工作區域，/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-toolkit2:2.3.0-cp38 /bin/bash

執行成功如下圖所示:

4.3 模型轉換操作說明

4.3.1 模型轉換Demo目錄結構

模型轉換測試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據。如下圖所示:

Yolov11_model_convert文件夾存放以下內容，如下圖所示：

4.3.2 生成量化圖片列表

在docker環境切換到模型轉換工作目錄:

cd/test/yolov11_model_convert

如下圖所示:

執行gen_list.py生成量化圖片列表:

pythongen_list.py

命令行現象如下圖所示:

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：

importsys
fromrknn.apiimportRKNN


ONNX_MODEL ='yolov11s.onnx'
DATASET ='./pic_path.txt'
RKNN_MODEL ='./yolov11s_rk3576.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='rk3576')
 print('done')


 # Load model
 print('--> Loading model')
  ret = rknn.load_onnx(model=ONNX_MODEL)
 ifret !=0:
   print('Load model failed!')
    exit(ret)
 print('done')


 # Build model
 print('--> Building model')
  ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
 ifret !=0:
   print('Build model failed!')
    exit(ret)
 print('done')


 # Export rknn model
 print('--> Export rknn model')
  ret = rknn.export_rknn(RKNN_MODEL)
 ifret !=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(后續用戶使用自己的模型的時候，替換掉對應的onnx即可)，并執行rknn_convert.py腳本進行模型轉換：

pythonrknn_convert.py

生成模型如下圖所示，此模型可以在rknn環境和EASY EAI Orin-nano環境運行：

5. 模型部署示例

5.1 模型部署示例介紹

本小節展示yolo11模型的在EASY EAI Orin-nano的部署過程，本章章節使用的yolo11s.rknn模型的是由Ultralytics 官方提供的yolo11s.pt轉換而來。

5.2 源碼下載以及例程編譯

下載yolo11 C Demo示例文件。

下載程序包移至ubuntu環境后，執行以下指令解壓：

tar-xvf yolov11_detect_C_demo.tar.bz2

下載解壓后如下圖所示:

通過adb接口連接EASY-EAI-Orin-nano,，連接方式如下圖所示:

接下來需要通過adb把源碼傳輸到板卡上，先切換目錄然后執行以下指令：

cd~/rknn-toolkit2
adb push yolov11_detect_C_demo/ /userdata

登錄到板子切換到例程目錄執行編譯操作：

adb shell
cd/userdata/yolov11_detect_C_demo
chmod777 build.sh
./build.sh

5.3 開發板執行yolov11目標檢測算法

編譯成功后切換到可執行程序目錄，如下所示：

cd/userdata/yolov11_detect_C_demo/yolov11_detect_demo_release

運行例程命令如下所示：

chmod777 yolov11_detect_demo
./yolov11_detect_demo yolov11s_rk3576.rknn bus.jpg

執行結果如下圖所示,yolov11s算法執行時間為47ms：

退出板卡環境，取回測試圖片:

exit
adb pull /userdata/yolov11_detect_C_demo/yolov11_detect_demo_release/results.jpg .

至此，yolov11目標檢測例程已成功在板卡運行。