目录

瑞芯微RKNN开发·yolov7

官方预训练模型转换

  1. 下载yolov7源码解压到本地,并配置基础运行环境。
  2. 下载官方预训练模型
  1. 进入yolov7-main目录下,新建文件夹weights,并将步骤2中下载的权重文件放进去。

  2. 修改models/yolo.py文件

    复制代码
     def forward(self, x):
         # x = x.copy()  # for profiling
         z = []  # inference output
         self.training |= self.export
         for i in range(self.nl):
             x[i] = self.m[i](x[i]).sigmoid()  # conv
         return x[0], x[1], x[2]
  3. 新建export_nnie.py文件

    import os
    import torch
    import onnx
    from onnxsim import simplify
    import onnxoptimizer
    import argparse
    from models.yolo import Detect, Model

    if name == 'main':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='./weights/yolov7.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='./cfg/deploy/yolov7.yaml', help='initial weights path')
    #================================================================
    opt = parser.parse_args()
    print(opt)

    复制代码
     #Save Only weights
     ckpt = torch.load(opt.weights, map_location=torch.device('cpu'))
     torch.save(ckpt['model'].state_dict(), opt.weights.replace(".pt", "-model.pt"))
    
     #Load model without postprocessing
     new_model = Model(opt.cfg)
     new_model.load_state_dict(torch.load(opt.weights.replace(".pt", "-model.pt"), map_location=torch.device('cpu')), False)
     new_model.eval()
    
     #save to JIT script
     example = torch.rand(1, 3, 640, 640)
     traced_script_module = torch.jit.trace(new_model, example)
     traced_script_module.save(opt.weights.replace(".pt", "-jit.pt"))
    
     #save to onnx
     f = opt.weights.replace(".pt", ".onnx")
     torch.onnx.export(new_model, example, f, verbose=False, opset_version=12,
                             training=torch.onnx.TrainingMode.EVAL,
                             do_constant_folding=True,
                             input_names=['data'],
                             output_names=['out0','out1','out2'])
    
     #onnxsim
     model_simp, check = simplify(f)
     assert check, "Simplified ONNX model could not be validated"
     onnx.save(model_simp, opt.weights.replace(".pt", "-sim.onnx"))
    
     #optimize onnx
     passes = ["extract_constant_to_initializer", "eliminate_unused_initializer"]
     optimized_model = onnxoptimizer.optimize(model_simp, passes)
     onnx.checker.check_model(optimized_model)
     onnx.save(optimized_model, opt.weights.replace(".pt", "-op.onnx"))
     print('finished exporting onnx')
  4. 命令行执行python3 export_nnie.py脚本(默认为yolov7.pt, 加--weights参数可指定权重,--cfg指定模型配置文件),转换成功会输出一下信息, 转换后的模型存于权重同级目录(*-op.onnx后缀模型)

    Namespace(cfg='./cfg/deploy/yolov7.yaml', weights='./weights/yolov7.pt')
    finished exporting onnx

RKNN开发板植入-模型转换篇

前期准备
  • RKNN开发环境(python)
  • rknn-toolkit2
详细流程
  1. 进入rknn-toolkits2/examples/onnx/yolov5示例目录下

  2. 修改test.py内容(按需修改ONNX_MODEL、RKNN_MODEL、IMG_PATH、DATASET等等超参数)

    def sigmoid(x):
    # return 1 / (1 + np.exp(-x))
    return x

  3. 命令行执行python3 test.py即可获取推理结果

RKNN开发板植入-NPU加载推理篇(C++)

后续放出代码

本文是转载文章,点击查看原文
如有侵权,请联系 xyy@jishuzhan.net 删除
相关推荐
知来者逆6 小时前
计算机视觉——基于 Yolov8 目标检测与 OpenCV 光流实现目标追踪
深度学习·yolo·目标检测·计算机视觉·yolov8·目标追踪
DragonnAi18 小时前
基于项目管理的轻量级目标检测自动标注系统【基于 YOLOV8】
人工智能·yolo·目标检测
zy_destiny20 小时前
【非机动车检测】用YOLOv8实现非机动车及驾驶人佩戴安全帽检测
人工智能·python·算法·yolo·机器学习·安全帽·非机动车
unix2linux20 小时前
YOLO v5 Series - HTTP-FLV - FFmpeg & (HTML5 + FLV.js ) Integrating
yolo·http·ffmpeg
向哆哆2 天前
BiFPN与RepViT协同机制在YOLOv8目标检测中的应用与优化
人工智能·深度学习·yolo·目标检测·yolov8
知来者逆2 天前
计算机视觉——基于YOLOV8 的人体姿态估计训练与推理
深度学习·yolo·计算机视觉·yolov8·姿态估计
DragonnAi2 天前
猫咪如厕检测与分类识别系统系列【六】分类模型训练+混合检测分类+未知目标自动更新
人工智能·python·yolo·目标检测·计算机视觉·分类·数据挖掘
Wiktok2 天前
YOLO 的 data.yaml 配置文件路径解析
深度学习·yolo·机器学习
才思喷涌的小书虫3 天前
学术分享:基于 ARCADE 数据集评估 Grounding DINO、YOLO 和 DINO 在血管狭窄检测中的效果
人工智能·yolo·目标检测·计算机视觉·ai·语言模型·视觉检测
DragonnAi3 天前
猫咪如厕检测与分类识别系统系列【三】融合yolov11目标检测
人工智能·yolo·目标检测·分类