1. Resnet50簡介

ResNet50網絡是2015年由微軟實驗室的何愷明提出，獲得ILSVRC2015圖像分類競賽第一名。在ResNet網絡提出之前，傳統的卷積神經網絡都是將一系列的卷積層和池化層堆疊得到的，但當網絡堆疊到一定深度時，就會出現退化問題。 殘差網絡的特點是容易優化，并且能夠通過增加相當的深度來提高準確率。其內部的殘差塊使用了跳躍連接，緩解了在深度神經網絡中增加深度帶來的梯度消失問題。

本教程基于圖像分類算法ResNet50的訓練和部署到EASY-EAI-Orin-nano(RK3576)進行說明。

2. 準備數據集

2.1 數據集下載

本教程以車輛分類算法為例，數據集的百度網盤下載鏈接為:

https://pan.baidu.com/s/1BhSF1PklkTQHg4vWGiRKow?pwd=1234 提取碼：1234

解壓完成后得到以下兩個文件夾：

打開可以看到一共10類汽車：

類別名稱與類別索引關系如下所示：

3. ResNet50圖像分類訓練

3.1 訓練源碼下載

訓練源碼的百度網盤下載鏈接為:

https://pan.baidu.com/s/1-jDyeJEkBqEt0gbnMOdhPw?pwd=1234 提取碼：1234

得到下圖所示目錄：

把數據集解壓到當前目錄：

3.2 訓練模型

進入anconda的pyTorch環境，切換到訓練源碼目錄執行以下指令開始訓練：

python train.py

執行結果如下圖所示:

訓練結束后test loss結果如下所示:

訓練結束后test accuracy結果如下所示:

生成的最優模型如下所示：

3.3 在PC端測試模型

在訓練源碼目錄執行以下指令，測試模型(生成模型名稱不一致則修改predict.py腳本):

python predict.py

結果類別索引號為1——BUS, 測試結果正確。

3.4 pth模型轉換為onnx模型

執行以下指令把pytorch的pth模型轉換onxx模型：

python pth_to_onnx.py

生成ONNX模型如下所示:

4. rknn-toolkit模型轉換

4.1 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。

4.1.1 概述

模型轉換環境搭建流程如下所示：

4.1.2 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”。

網盤下載鏈接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?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:

docker load --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。

4.2 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。 模型轉換操作流程入下圖所示：

4.2.1 模型轉換Demo下載

下載百度網盤鏈接：https://pan.baidu.com/s/1ZrTRTFqcJpYz5hNl4Fk-Jw 提取碼：1234。把resnet50_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:

4.2.3 模型轉換Demo目錄介紹

模型轉換測試Demo由resnet50_model_convert和quant_dataset組成。resnet50_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:

resnet50_model_convert文件夾存放以下內容，如下圖所示:

4.2.4 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/resnet50_model_convert

如下圖所示:

執行gen_list.py生成量化圖片列表:

python gen_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:

4.2.5 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：

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN


ONNX_MODEL = '10class_ResNet50.onnx'
RKNN_MODEL = './10class_ResNet50_rk3576.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True



if __name__ == '__main__':

	# Create RKNN object
	rknn = RKNN(verbose=False)

	if not os.path.exists(ONNX_MODEL):
		print('model not exist')
		exit(-1)

	# pre-process config
	print('--> Config model')
	rknn.config(mean_values=[[123.67, 116.28,103.53]],
		    std_values=[[58.395, 57.12, 57.375]],
		    target_platform = 'rk3576')
	print('done')

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

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

	# Export RKNN model
	print('--> Export RKNN model')
	ret = rknn.export_rknn(RKNN_MODEL)
	if ret != 0:
		print('Export resnet failed!')
		exit(ret)
	print('done')

	rknn.release()

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目錄，并執行rknn_convert.py腳本進行模型轉換：

python rknn_convert.py

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

5. ResNet50圖像分類部署

5.1 模型部署示例介紹

本小節展示ResNet50模型的在EASY EAI Orin nano的部署過程，該模型僅經過簡單訓練供示例使用，不保證模型精度。

5.2 源碼下載以及例程編譯

下載ResNet50 C Demo示例文件。

百度網盤鏈接: (https://pan.baidu.com/s/1fW0EUqEc-DxNPQiYfq6c4w?pwd=1234 提取碼：1234)。

下載程序包移至ubuntu環境后，執行以下指令解壓：

tar -xvf resnet50_classification_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 resnet50_classification_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/resnet50_classification_C_demo
chmod 777 build.sh
./build.sh

5.3 在開發板執行ResNet50 圖像分類算法

編譯成功后切換到可執行程序目錄，如下所示：

 cd /userdata/resnet50_classification_C_demo/resnet_classification_demo_release/

運行例程命令如下所示：

chmod 777 resnet_classification_demo
./resnet_classification_demo

執行結果如下圖所示，算法執行時間約為9.7ms:

至此，ResNet50圖像分類例程已成功在板卡運行。

6. 資料下載

審核編輯 黃宇