目录
[1.1 RKNN 初始化及对象释放](#1.1 RKNN 初始化及对象释放)
[1.1.1 概念介绍](#1.1.1 概念介绍)
[1.1.2 实际演示](#1.1.2 实际演示)
[1.2 RKNN 模型配置](#1.2 RKNN 模型配置)
[1.2.1 概念介绍](#1.2.1 概念介绍)
[1.2.2 实际演示](#1.2.2 实际演示)
[1.3 模型加载](#1.3 模型加载)
[1.3.1 概念介绍](#1.3.1 概念介绍)
[1.3.1.1 Caffe模型加载接口](#1.3.1.1 Caffe模型加载接口)
[1.3.1.2 TensorFlow模型加载接口](#1.3.1.2 TensorFlow模型加载接口)
[1.3.1.3 TensorFlowLite 模型加载接口](#1.3.1.3 TensorFlowLite 模型加载接口)
[1.3.1.4 ONNX 模型加载接口](#1.3.1.4 ONNX 模型加载接口)
[1.3.1.5 DarkNet模型加载接口 编辑编辑](#1.3.1.5 DarkNet模型加载接口 编辑编辑)
[1.3.1.6 PyTorch 模型加载接口](#1.3.1.6 PyTorch 模型加载接口)
[编辑 1.3.2 实际演示](#编辑 1.3.2 实际演示)
[1.4 构建RKNN模型](#1.4 构建RKNN模型)
[1.4.1 概念介绍](#1.4.1 概念介绍)
[编辑1.4.2 实际演示](#编辑1.4.2 实际演示)
[1.5 导出RKNN模型](#1.5 导出RKNN模型)
[1.5.1 概念介绍](#1.5.1 概念介绍)
[1.5.2 实际演示](#1.5.2 实际演示)
[1.6 最终测试](#1.6 最终测试)
前言
本篇博文中所使用到的系统为Ubuntu 20系统,搭建好RKNN Toolkit2环境后,方可继续往下看。
RKNN Toolkit2使用流程图如下所示:
RKNN模型构建流程如下图所示:
打开 VMware 虚拟软件,启动linux虚拟系【Ubuntu20系统】,在该系统中你已经配置好了RKNNToolkit2环境。
随后打开pycharm【在虚拟linux系统中打开的pycharm】,创建一个名为 export_rknn_learning 的文件夹,在该文件夹中创建一个名为export_rknn.py文件,创建一个log.txt文件用于存放日志信息,如下图所示。
随后按照如下步骤:
1.1 RKNN 初始化及对象释放
1.1.1 概念介绍
在使用 RKNNToolkit2 的所有 API 接口时,都需要先调用 RKNN()方法初始化 RKNN 对象,当不 再使用该对象时,通过调用该对象的 release()方法进行释放。
初始化 RKNN 对象时,可以设置 verbose 和 verbose_file 参数,从而打印详细的日志信息。其 中 verbose 参数指定是否要在终端打印详细日志信息;如果设置了 verbose_file 参数,且 verbose 参数值为 True,日志信息还将写到该参数指定的文件中。 举例如下:
python
from rknn.api import RKNN
#将详细的日志信息输出到终端,并写到 mobilenet_build.log 文件中
rknn=RKNN(verbose=True,verbose_file='./mobilenet_build.log')
rknn=RKNN(verbose=True) #将详细的日志信息输出到终端
...
rknn.release()
1.1.2 实际演示
第一步和最后一步的代码如下所示:
运行上述代码,得到:
log.txt 文件中的内容为:
红色框给出了 rknn-toolkit2 的版本,蓝色框给出了已经将日志log信息保存到 log.txt 文件中。
1.2 RKNN 模型配置
1.2.1 概念介绍
在构建 RKNN 模型之前,需要先对模型进行通道均值、量化图片 RGB2BGR 转换、量化类型等配置,这些操作需要通过 config 接口进行配置。
举例如下:
python
rknn.config(mean_values=[123.675,116.28,103.53],std_values=[58.395,58.395,58.395])
1.2.2 实际演示
第二步代码如下:
第二步代码添入后整体代码如下所示:
python
from rknn.api import RKNN
if __name__ == '__main__':
# 第一步:创建一个RKNN对象
rknn = RKNN(verbose=True, verbose_file='log.txt')
# 第二步:调用config接口配置要生成的RKNN模型
rknn.config(
mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数
std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数
# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至
quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型
quantized_method='channel', # quantized_method 表示量化的方式
quantized_algorithm='normal', # quantized_algorithm 表示量化的算法
quant_img_RGB2BGR=False, #
target_platform='rk3588', # target_platform 表示RKNN模型的运行平台
float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型
optimization_level=3, # optimization_level 表示模型优化等级
custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型
remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型
compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为False
inputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式
single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588
)
# 第三步:
# 最后一步:释放RKNN对象(不再使用RKNN时)
rknn.release()
1.3 模型加载
1.3.1 概念介绍
RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlowLite、ONNX、DarkNet、PyTorch 等模型 的加载转换,这些模型在加载时需调用对应的接口,以下为这些接口的详细说明。
1.3.1.1 Caffe模型加载接口
1.3.1.2 TensorFlow模型加载接口
举例如下:
1.3.1.3 TensorFlowLite 模型加载接口
1.3.1.4 ONNX 模型加载接口
1.3.1.5 DarkNet模型加载接口
1.3.1.6 PyTorch 模型加载接口
1.3.2 实际演示
我们以pytorch模型结构为例,将提前准备好的 resnet18.pt 文件复制粘贴到虚拟机虚拟系统中的项目文件夹中,如下所示:
第三步代码如下:
第三步代码添入后整体代码如下:
python
from rknn.api import RKNN
if __name__ == '__main__':
# 第一步:创建一个RKNN对象
rknn = RKNN(verbose=True, verbose_file='log.txt')
# 第二步:调用config接口配置要生成的RKNN模型
rknn.config(
mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数
std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数
# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至
quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型
quantized_method='channel', # quantized_method 表示量化的方式
quantized_algorithm='normal', # quantized_algorithm 表示量化的算法
quant_img_RGB2BGR=False, #
target_platform='rk3588', # target_platform 表示RKNN模型的运行平台
float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型
optimization_level=3, # optimization_level 表示模型优化等级
custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型
remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型
compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为False
inputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式
single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588
)
# 第三步:添加 load_xxx 接口进行常用深度学习模型的导入
rknn.load_pytorch(
model='./resnet18.pt', # model表示加载模型的地址
input_size_list=[[1, 3, 224, 224]], # input_size_list 表示模型输入节点对应图片的尺寸和通道数
)
# 最后一步:释放RKNN对象(不再使用RKNN时)
rknn.release()
1.4 构建RKNN模型
1.4.1 概念介绍
举例如下:
1.4.2 实际演示
第四步的代码如下:
第四步代码添入后整体代码如下:
python
from rknn.api import RKNN
if __name__ == '__main__':
# 第一步:创建一个RKNN对象
rknn = RKNN(verbose=True, verbose_file='log.txt')
# 第二步:调用config接口配置要生成的RKNN模型
rknn.config(
mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数
std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数
# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至
quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型
quantized_method='channel', # quantized_method 表示量化的方式
quantized_algorithm='normal', # quantized_algorithm 表示量化的算法
quant_img_RGB2BGR=False, #
target_platform='rk3588', # target_platform 表示RKNN模型的运行平台
float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型
optimization_level=3, # optimization_level 表示模型优化等级
custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型
remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型
compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为False
inputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式
single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588
)
# 第三步:添加 load_xxx 接口进行常用深度学习模型的导入
rknn.load_pytorch(
model='./resnet18.pt', # model表示加载模型的地址
input_size_list=[[1, 3, 224, 224]], # input_size_list 表示模型输入节点对应图片的尺寸和通道数
)
# 第四步:使用build接口来构建RKNN模型
rknn.build(
do_quantization=True, # do_quantization 表示是否对RKNN模型进行量化操作
dataset='dataset.txt', # dataset 表示要量化的图片
rknn_batch_size=-1, # 目前用不到
)
# 最后一步:释放RKNN对象(不再使用RKNN时)
rknn.release()
1.5 导出RKNN模型
1.5.1 概念介绍
通过本工具构建的 RKNN 模型通过该接口可以导出存储为 RKNN 模型文件,用于模型部署。
1.5.2 实际演示
第五步代码如下所示:
第五步代码添入后的整体代码如下所示:
python
from rknn.api import RKNN
if __name__ == '__main__':
# 第一步:创建一个RKNN对象
rknn = RKNN(verbose=True, verbose_file='log.txt')
# 第二步:调用config接口配置要生成的RKNN模型
rknn.config(
mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数
std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数
# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至
quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型
quantized_method='channel', # quantized_method 表示量化的方式
quantized_algorithm='normal', # quantized_algorithm 表示量化的算法
quant_img_RGB2BGR=False, #
target_platform='rk3588', # target_platform 表示RKNN模型的运行平台
float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型
optimization_level=3, # optimization_level 表示模型优化等级
custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型
remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型
compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为False
inputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式
single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588
)
# 第三步:添加 load_xxx 接口进行常用深度学习模型的导入
rknn.load_pytorch(
model='./resnet18.pt', # model表示加载模型的地址
input_size_list=[[1, 3, 224, 224]], # input_size_list 表示模型输入节点对应图片的尺寸和通道数
)
# 第四步:使用build接口来构建RKNN模型
rknn.build(
do_quantization=True, # do_quantization 表示是否对RKNN模型进行量化操作
dataset='dataset.txt', # dataset 表示要量化的图片
rknn_batch_size=-1, # 目前用不到
)
# 第五步:调用export_rknn接口导出RKNN模型
rknn.export_rknn(
export_path='resnet18.rknn',# 表示导出的RKNN模型路径
)
# 最后一步:释放RKNN对象(不再使用RKNN时)
rknn.release()
1.6 最终测试
经过了前面的步骤,我们现在可以通过运行代码来完成了RKNN模型的导出工作,运行代码,得到如下图所示:
至此,我们完成了RKNN模型的导出工作,接下来可进行模型评估工作了。