1. Yolov5簡介

YOLOv5 模型是 Ultralytics 公司于 2020 年 6 月 9 日公開發布的。YOLOv5 模型是基于 YOLOv3 模型基礎上改進而來的，有 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 四個模型。YOLOv5 相比YOLOv4 而言，在檢測平均精度降低不多的基礎上，具有均值權重文件更小，訓練時間和推理速度更短的特點。YOLOv5 的網絡結構分為輸入端BackboneNeck、Head 四個部分。

本教程針對目標檢測算法yolov5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. 準備數據集

2.1 數據集下載

本教程以口罩檢測為例，數據集的百度網盤下載鏈接為:

https://pan.baidu.com/s/17nJq2dQXxTHwc8eo8sNj5A?pwd=1234 提取碼：1234

解壓完成后得到以下三個文件：

2.2 生成路徑列表

在數據集目錄下執行腳本list_dataset_file.py:

python list_dataset_file.py

執行現象如下圖所示:

得到訓練樣本列表文件train.txt和驗證樣本列表文件valid.txt,如下圖所示：

3. Yolov5目標檢測算法訓練

3.1 訓練源碼下載

通過git工具，在PC端克隆遠程倉庫（注：此處可能會因網絡原因造成卡頓，請耐心等待）：

git clone https://github.com/EASY-EAI/yolov5.git

得到下圖所示目錄：

3.2 訓練模型

切換到yolov5的工作目錄，接下來以訓練一個口罩檢測模型為例進行說明。需要修改data/mask.yaml里面的train.txt和valid.txt的路徑。

執行下列腳本訓練算法模型：

python train.py --data mask.yaml --cfg yolov5s.yaml --weights "" --batch-size 64

開始訓練模型，如下圖所示：

關于算法精度結果可以查看./runs/train/results.csv獲得。

3.3 在PC端進行模型預測

訓練完畢后，在./runs/train/exp/weights/best.pt生成通過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：

python detect.py --source data/images --weights ./runs/train/exp/weights/best.pt --conf 0.5

3.4 pt模型轉換為onnx模型

算法部署到EASY-EAI-Nano需要轉換為RKNN模型,而轉換RKNN之前可以把模型先轉換為ONNX模型，同時會生成best.anchors.txt：

python export.py --include onnx --rknpu RV1126 --weights ./runs/train/exp/weights/best.pt

生成如下圖所示：

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 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/1yWWn9JryiAOrSBNGWxuFMw?pwd=1234 提取碼：1234。把 yolov5_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目錄結構介紹

模型轉換測試Demo由yolov5_model_convert和quant_dataset組成。yolov5_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:

yolov5_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/yolov5_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 = 'best.onnx'
RKNN_MODEL = './bsd_person.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True



if __name__ == '__main__':

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

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

	# pre-process config
	print('--> Config model')
	rknn.config(reorder_channel='0 1 2',
			    mean_values=[[0, 0, 0]],
			    std_values=[[255, 255, 255]],
			    optimization_level=3,
			    target_platform = 'rv1126',
			    output_optimize=1,
			    quantize_input_node=QUANTIZE_ON)
	print('done')

	# Load ONNX model
	print('--> Loading model')
	ret = rknn.load_onnx(model=ONNX_MODEL)
	if ret != 0:
		print('Load yolov5 failed!')
		exit(ret)
	print('done')

	# Build model
	print('--> Building model')
	ret = rknn.build(pre_compile=True,do_quantization=QUANTIZE_ON, dataset=DATASET)
	if ret != 0:
		print('Build yolov5 failed!')
		exit(ret)
	print('done')

	# Export RKNN model
	print('--> Export RKNN model')
	ret = rknn.export_rknn(RKNN_MODEL)
	if ret != 0:
		print('Export yolov5rknn failed!')
		exit(ret)
	print('done')

把onnx模型best.onnx放到yolov5_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yolov5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yolov5 C Demo示例文件。

百度網盤鏈接: (https://pan.baidu.com/s/1adoQOIsm1C5GIxeh0UnK5g?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 yolov5_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 yolov5_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/yolov5_detect_C_demo
chmod 777 build.sh
./build.sh

5.3 在開發板執行yolov5 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/yolov5_detect_C_demo/yolov5_detect_demo_release

運行例程命令如下所示：

chmod 777 yolov5_detect_demo
./yolov5_detect_demo

執行結果如下圖所示,算法執行時間為31ms：

退出板卡環境，取回測試圖片:

exit
adb pull /userdata/yolov5_detect_C_demo/yolov5_detect_demo_release/result.jpg .

測試結果如下圖所示:

至此，yolov5目標檢測例程已成功在板卡運行。

6. 資料下載

審核編輯 黃宇