RK3399ProD移植部署yolov5-6.2

因发帖限制，本教程对应的每一步图片参考附件PDF，请自行下载

-----------------------------------------------------------------------------------------

一、搭建yolov5环境

  从yolov5官方仓库（Releases · ultralytics/yolov5(github.com)）中下载 yolov5-6.2 代码。解压后，修改 requirements.txt :

   （注：我是先将代码通过git 克隆到win10本地，然后通过FTP客户端上传到ubuntu）

  1、将第12行torch>=1.7.0 改为 torch==1.9.0因为只有 pytorch 1.8.0 或 1.9.0 版本才能正常导出模型;

  2、删除第28、29行 onnx>=1.9.0 前的 # 号，否则无法导出onnx模型

           执行：pip install -r requirement.txt     验证环境是否搭建成功: python3 detect.py

    会自动下载 yolov5s.pt 模型，如果环境搭建成功，将会对示例图片进行预测。

二、导出onnx模型

   1、进入 yolov5-6.2/models ，将 yolo.py 文件中 class Detect 中的 forward 函数，修改如下：(其实就是用多行注释注释代码)

   2、进入 yolov5-6.2 主目录，执行以下命令导出onnx模型：

      python export.py --weights yolov5s.pt --img 640 --batch 1 --opset 12--include onnx

    执行成功后，将在 yolov5s.pt 同目录生成 yolov5s.onnx 文件

三、安装 rknn-toolkit(运行带完整 RKNN-Toolkit 开发环境的 docker 镜像)

   1. 下载docker版本的toolkit

    （注：1.先在ubuntu下载docker,请自行百度;2.我是先将镜像下载到win10本地，然后通过FTP客户端上传到ubuntu）

   从rockchip-linux/rknn-toolkit下载docker版本的toolkit，提取码：rknn

   下载的是 1.7.3 版本

   2.加载镜像

    在安装有docker的linux服务器上导入上述toolkit，执行：

       docker load --input rknn-toolkit-1.7.3-docker.tar.gz

    导入完成后执行 docker images，将看到 toolkit-1.7.3 镜像

   执行以下命令，进入docker

      docker run -t -i --privileged -v $PWD:/test rknn-toolkit:1.7.3 /bin/bash

   其中 -v $PWD:/test 是指把当前目录映射到docker容器的/test目录内，这样当要和docker容器内部进行文件传输时，只需把需要传输的文件放到当前目录，就能在 docker 容器内的 /test 目录看到，反之亦然。

执行成功后，将自动进入docker容器内

   可以看到已经有一个 test 目录，test目录的内容就是服务器当前目录的内容。

四、通过netron 查看 yolov5s.onnx 输出节点

  1.安装netron

   (注：我是安装在win10上。)

         https://github.com/lutzroeder/netron   点击对应系统的Download

  2.然后netron打开上述第二步导出的 yolov5s.onnx 模型，点击左上角图标，即可看到输出节点信息

   可以看到这里的输出节点分别是: output、327、328，记住这几个输出节点，下一步导出rknn时将用到。

五、创建 onnx2rknn.py 文件（文件内容参考pdf）

  在该文件中指定onnx_model路径，platform，以及 rknn.load_onnx 时一定要指定上一步查看的输出节点信息。

from rknn.api import RKNN ONNX_MODEL = 'yolov5s.onnx'platform = "rk3399pro"RKNN_MODEL = 'yolov5s_{}_out_opt.rknn'.format(platform) if __name__ == '__main__':     add_perm = False # 如果设置成True,则将模型输入layout修改成NHWC    # Create RKNN object    rknn = RKNN(verbose=True)     # pre-process config    print('--> config model')    rknn.config(batch_size=1, mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], reorder_channel='0 1 2', target_platform=[platform],                 force_builtin_perm=add_perm, output_optimize=1)    print('done')     # Load tensorflow model    print('--> Loading model')    ret = rknn.load_onnx(model=ONNX_MODEL,outputs=['output', '327', '328'])# 这里一定要根据onnx模型修改    if ret != 0:        print('Load onnx model failed!')        exit(ret)    print('done')     # Build model    print('--> Building model')    ret = rknn.build(do_quantization=True, dataset='./dataset.txt')    if ret != 0:        print('Build rkmodel failed!')        exit(ret)    print('done')     # rknn.export_rknn_precompile_model(RKNN_MODEL)    rknn.export_rknn(RKNN_MODEL)     rknn.release()

六、通过toolkit将onnx转换为rknn模型

  1、将上述第二步导出的yolov5s.onnx 模型以及 第五步创建的 onnx2rknn.py 放到服务器当前目录，即映射到docker容器内/test目录的目录；

       2、进入docker容器内，执行

       cp /test/yolov5/yolov5s.onnx /examples/onnx/yolov5/            
      cp /test/yolov5/onnx2rknn.py /examples/onnx/yolov5/       
      cd /examples/onnx/yolov5/       
      python onnx2rknn.py       
      cp yolov5s_rk3399pro_out_opt.rknn /test/yolov5

    执行完成后将生成相应的 yolov5s_rk3399pro_out_opt.rknn 模型：

七、在rk3399pro开发板上运行rknn模型

   1、下载 airockchip/RK3399Pro_npu，将其放到 rk3399pro 开发板上：

    (注:我是通过git下载到本地，然后FTP客户端上传到RK3399ProD的Dibian10系统上，转换的rknn模型也是如此，在桌面专门新建一个文件夹存放相关资料。)

   2、如果需要更新npu驱动，根据说明更新NPU驱动，只需要替换相应的boot.img 即可。参考git官方README文件。

   3、进入RK3399Pro_npu-main/rknn-api/examples/c_demos/rknn_yolov5_demo 目录，执行以下命令

                 cd RK3399Pro_npu-main/rknapi/examples/c_demos/rknn_yolov5_demo                                  mkdir build                
                 cd build          
                cmake -DCMAKE_C_COMPILER=/usr/bin/gcc DCMAKE_CXX_COMPILER= /usr/bin/g++ ..                
                make -j4

            执行成功后，将在build目录生成可执行程序 rknn_yolov5_demo:

       4、将yolov5s_rk3399pro_out_opt.rknn模型复制RK3399Pro_npu-main/rknn-api/examples/c_demos/rknn_yolov5_demo/model目录。

    5、在RK3399Pro_npu-main/rknn-api/examples/c_demos/rknn_yolov5_demo创建以下运行脚本 run_demo.sh

         export LD_LIBRARY_PATH=./lib/                
        ./build/rknn_yolov5_demo  model/yolov5s_rk3399pro_out_opt.rknn  model/bus.bmp

          6.执行脚本  ./run_demo.sh   正常将输出预测信息