番茄园

网站菜单

番茄藤｜Masked Tomato

你要搞清楚自己人生的剧本——不是你父母的续集，不是你子女的前传，更不是你朋友的外篇。

Copyright © 番茄园 2020-2024 • All rights reserved

Naivete WordPress Theme by XinTheme

Powered By WordPress

RKNN嵌入式开发YOLOV5s全流程

模型训练

在项目文件根目录，创建一个data.yaml

#train 写存放训练集图片的文件地址#val 写存放测试集图片的文件地址
train: C:/Users/justi/AnacondaProjects/RKNNProjects/mis/mis/train/images
val: C:/Users/justi/AnacondaProjects/RKNNProjects/mis/mis/valid/images
#nc 标注的种类数量，name 里面放的输种类的名称
nc: 4
names: ['label1', 'label2', 'label3', 'label4']

本案例使用yolov5s权重文件，修改models目录下的yolov5s.yaml,将nc后的数字修改成你的数据集中标注的种类数量

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 4  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
........

开始训练，打开终端，进入项目文件的目录，激活conda环境。输入

python train.py --data data.yaml --cfg models/yolov5s.yaml --data data.yaml --weights pretrained/yolov5s.pt --epoch 300 --batch-size 16 --device 0
  • data.yaml指的是数据集的配置文件
  • mask_yolov5s.yaml 指的是模型的配置文件
  • pretrained/yolov5s.pt 使用yolov5spt的权重文件
  • size 后面的数字指是多少张图片一起训练
  • epoch 后面的数字表示跑的次数
  • –device cpu或者数字代表显卡变化

训练结果保存在项目文件的run\train\exp文件中

模拟检测

在电脑端使用验证集验证模型检测结果

python detect.py --weights best.pt --data data.yaml --source data/mis/

RKNN优化

若使用默认的SiLU激活函数，则RK3588会使用CPU处理对应部分的任务。因此为了提升效率，需要手动修改激活函数为ReLU或其他。common.py构建模块。重构Conv模块，将SILU改为ReLU。

class Conv(nn.Module):
    # Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)
    #default_act = nn.SiLU()  # default activation
    default_act = nn.ReLU()  # 修改激活函数

    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True):
        super().__init__()
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

    def forward_fuse(self, x):
        return self.act(self.conv(x))

模型转换

PT模型转ONNX

瑞芯微针对特定版本的Yolov5s分支进行了修改。使用特定分支的Yolov5s时，在导出模型的时候不需要对yolovs/models/yolo.py进行修改。直接使用如下命令

python export.py --rknpu --weight yolov5s.pt

若使用其他版本，则需对class Detect(nn.Module)进行如下修改：

  def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            if os.getenv('RKNN_model_hack', '0') != '0':
                z.append(torch.sigmoid(self.m[i](x[i])))
                continue
            
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
 
            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
 
                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy, wh, conf = y.split((2, 2, self.nc + 1), 4)  # y.tensor_split((2, 4, 5), 4)  # torch 1.8.0
                    xy = (xy * 2 + self.grid[i]) * self.stride[i]  # xy
                    wh = (wh * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, conf), 4)
                z.append(y.view(bs, -1, self.no))
 
        if os.getenv('RKNN_model_hack', '0') != '0':
            return z
 
        return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x)

修改为：

def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
 
        return x

此操作主要是为了将模型的输出对齐RKNN接收的格式——三个特征输出。

导出的模型，可以使用Netron对模型的架构进行查看。

模型结构

ONNX转RKNN

  • platform选择对应的芯片平台
  • MODEL_PATH选择对应的ONNX模型路径
  • do_quantization=False/True决定是否对模型进行量化（不量化为fp16，量化完为int8）
  • DATASET指定量化文件目录的路径，应为txt文件，内包括所有量化样本路径（样本在50左右）
import cv2
import numpy as np

from rknn.api import RKNN
import os

platform = 'rk3588'
MODEL_PATH = "best.onnx"

if __name__ == '__main__':   
    NEED_BUILD_MODEL = True
    # NEED_BUILD_MODEL = False

    # Create RKNN object
    rknn = RKNN()

    RKNN_MODEL_PATH = '{}_{}.rknn'.format(
        MODEL_PATH, platform)
    if NEED_BUILD_MODEL:
        DATASET = './dataset.txt'
        rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform=platform)
        # Load model
        print('--> Loading model')
        ret = rknn.load_onnx(MODEL_PATH)
        if ret != 0:
            print('load model failed!')
            exit(ret)
        print('done')

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

        # Export rknn model
        print('--> Export RKNN model: {}'.format(RKNN_MODEL_PATH))
        ret = rknn.export_rknn(RKNN_MODEL_PATH)
        if ret != 0:
            print('Export rknn model failed.')
            exit(ret)
        print('done')
    else:
        ret = rknn.load_rknn(RKNN_MODEL_PATH)

    rknn.release()

转RKNN模型前，需要替换anchors_yolov5.txt文件内的参数，使用RKNN指定版本yolov5训练模型后，工程根目录会有一个RK_anchors.txt文件，将内参数复制过去即可。

精度分析

精度分析流程

模拟器FP16精度

模拟器推理结果正确是板端 Runtime 推理正确的前提，所以需优先保证模拟器推理结果正确。 RKNN-Toolkit2 上的模拟器推理根据模型是否量化分为 FP16 推理和量化推理。FP16 推理结果正确是量化推理的结果正确的前提，因此当存在量化推理精度问题时，优先验证FP16 推理的正确性，再排查量化推理的精度问题。

模拟器在不开启量化的情况下，默认是FP16 的运算类型，所以只需要在使用 rknn.build()接口时，将do_quantization 参数设置为False ， 即 可 以 将 原 始 模 型 转 换 为 FP16 的 RKNN 模 型 ， 接 着 调 用rknn.init_runtime(target=None)和 rknn.inference()接口进行 FP16 模拟推理并获取输出结果。

import cv2
import numpy as np

from rknn.api import RKNN
import os

platform = 'rk3588'
MODEL_PATH = "best.onnx"

if __name__ == '__main__':   
    NEED_BUILD_MODEL = True
    # NEED_BUILD_MODEL = False

    # Create RKNN object
    rknn = RKNN()

    RKNN_MODEL_PATH = '{}_{}.rknn'.format(
        MODEL_PATH, platform)
    if NEED_BUILD_MODEL:
        DATASET = './dataset.txt'
        rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform=platform)
        # Load model
        print('--> Loading model')
        ret = rknn.load_onnx(MODEL_PATH)
        if ret != 0:
            print('load model failed!')
            exit(ret)
        print('done')

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

	#accuracy_analysis
        ret = rknn.accuracy_analysis(inputs=['a.jpg'], output_dir='snapshot', target='rk3588')
        if ret != 0:
            print('Analysis failed.')
            exit(ret)
        print('done')
        
        #inference simulation
        #rknn.init_runtime()
        #outputs = rknn.inference(inputs=['bus.jpg'], data_format="nhwc")
        
    rknn.release()

若FP16模拟器输出结果错误，则需要进行以下检查：

  • rknn 的 config 这个接口里：mean_values / std_values、input_size_list、inputs / outputs
  • rknn 的 inference 这个接口里： inputs 和 data_format。python 环境下，图像数据都是通过cv2.imread读取的，图像格式为 BGR，大部分的 caffe 模型不用改；其他的一般输入为 RGB，需要cv2.cvtColor(img, cv2.COLOR_BGR2RGB)将图像数据转为 RGB， 才可以传给rknn的inference接口进行推理。
  • 通过 cv2.imread 读取的图像数据的 layout 为 NHWC， 因为 data_format 的默认值为 NHWC， 因此不需要设置 data_format 参数；而如果模型的输入数据不是通过 cv2.imread 读取，此时用户就必须清楚知道输入数据的 layout 并设置正确的 data_format 参数，如果是图像数据，也要保证其 RGB 顺序与模型的输入 RGB 顺序一致

在经过“ fp16 模型” 的精度验证后， 排除了“ FP16 模型” 的错误可能， 就可以对模型进行量化， 并进一步对“ 量化模型” 进行精度分析。 如果在“量化模型” 遇到精度问题，将主要从以下几个方面进行排查：

  • quantized_dtype量化类型的选择，Toolkit2-1.3.0，默认值为 asymmetric_quantized-8，asymmetric_quantized-16目前版本暂不支持。16-bit 量化和非量化（float16） 的运算性能差异不大，因此建议选择 fp16（rknn 的 build 接 口 的 do_quantization 设 为 False ）的运算方式来代替16-bit量化；
  • quant_img_RGB2BGR，一般用于caffe 模型；
  • dataset，rknn 的 build 接口的量化校正集配置。 如果选择了和实际部署场景不大一致的校正集，则可能会出现精度下降的问题， 或者校正集的数量过多或过少都会影响精度（ 一般选择 50～200张）
  • quantized_algorithm
  • quantized_method
  • optimization_level

精度分析工具

rknn.build(do_quatization=True, dataset='./dataset.txt')
rknn.accuracy_analysis(inputs=[a.jpg], output_dir='snapshot', target='rk3588')

该接口的功能是进行浮点，量化推理并产生每层的数据，用于量化精度分析。打印内容（ 一般认为余弦相似度低于 0.99 存在少许不一致， 低于 0.98 几乎可以认为该层结果就是错误的）

  • simulator代表模拟器，runtime代表板端。
  • enter代表网络整体相似度，single代表单层相似度。
  • cos代表余弦距离，euc代表欧氏距离。
蒙面西红柿
一个怕热的番茄
显示评论 (0)

文章评论

相关推荐

Yolov5_Seg输出解析

通过矩阵乘法（在代码中称为“matmul”）来计算分割掩码的原因，主要与实例分割网络（例如 YOLOv5 Segmentation）的实现方式有关。这种方法实际上是一种高效的特征图与目标分割系数组合的…

Ubuntu交叉编译Python

在 Ubuntu 上交叉编译 Python 的流程通常用于为不同平台生成可执行文件（如 ARM、MIPS 等）。以下是一般的操作步骤： 1. 安装必要的依赖工具 首先，确保已经安装了编译所需的工具和依…