1. yolov11-seg簡(jiǎn)介

yolov11-seg 是YOLO（You Only Look Once）系列的最新成員，專為實(shí)時(shí)實(shí)例分割任務(wù)設(shè)計(jì)。它在保持YOLO家族高效推理速度的同時(shí)，通過(guò)創(chuàng)新的網(wǎng)絡(luò)結(jié)構(gòu)和分割頭設(shè)計(jì)，實(shí)現(xiàn)了像素級(jí)的精確目標(biāo)檢測(cè)與分割，適用于自動(dòng)駕駛、醫(yī)學(xué)影像、工業(yè)檢測(cè)等對(duì)精度和速度要求苛刻的場(chǎng)景。

本教程針對(duì)目標(biāo)分割算法yolov11 seg的訓(xùn)練和部署到EASY-EAI-Orin-nano(RK3576)進(jìn)行說(shuō)明，而數(shù)據(jù)標(biāo)注方法可以參考我們往期的文章。

2. yolov11-seg模型訓(xùn)練

yolov11-seg訓(xùn)練代碼在導(dǎo)出部分對(duì)比原版會(huì)有一些修改，建議下載我們的訓(xùn)練代碼。百度網(wǎng)盤鏈接:https://pan.baidu.com/s/1kPU_t7GaZzi1zot_aI7xPQ?pwd=1234(提取碼:1234)。

2.1 數(shù)據(jù)集準(zhǔn)備

在開(kāi)始yolov11訓(xùn)練前，我看先準(zhǔn)備好待訓(xùn)練數(shù)據(jù)，如crack（裂縫數(shù)據(jù)集），數(shù)據(jù)集也在訓(xùn)練工程的壓縮包里面了。

目錄如下圖示意：

crack-seg標(biāo)簽數(shù)據(jù)格式說(shuō)明如下圖所示：

注：如果你需要將json格式的標(biāo)注數(shù)據(jù)轉(zhuǎn)成label標(biāo)簽數(shù)據(jù)，可以使用./data/json_2_yolo.py腳本轉(zhuǎn)換。

2.2 訓(xùn)練參數(shù)配置

配置模型的訓(xùn)練參數(shù)：data.yaml，default.yaml，yolo11-seg.yaml，以crack-seg為例.

其中：

data.yaml：為待訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的路徑，以及類別數(shù)和類別名稱；

default.yaml：為yolov11-seg訓(xùn)練參數(shù)，可自行調(diào)整模型訓(xùn)練的參數(shù)；

yolo11-seg.yaml：為yolov11-seg模型結(jié)構(gòu)，在模型訓(xùn)練時(shí)，你需要修改類別數(shù)。

更多關(guān)于yolov11-seg信息可參考：

https://blog.csdn.net/qq_45972324/article/details/143892222

2.3 模型訓(xùn)練

完成上述步驟后，就可以開(kāi)始訓(xùn)練模型了，打開(kāi)train.py腳本，輸入data.yaml，default.yaml，yolo11-seg.yaml路徑，如下代碼段所示：

from ultralytics import YOLO
import os

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"  
if __name__ == '__main__':
    cfg = r"./demo/crack-seg/default.yaml"
    data = r'./demo/crack-seg/data.yaml'
    #weight = r"./demo/weights/yolo11n-seg.pt"  # pt 或 yolovx.yaml
    weight = r"./demo/crack-seg/yolo11-seg.yaml"
    model = YOLO(weight)

    results = model.train(
        data=data,
        cfg=cfg
)

由于大家下載源碼包后解壓路徑都不一樣，所以需要更改data.yaml的數(shù)據(jù)集路徑才能讓模型訓(xùn)練的時(shí)候找到數(shù)據(jù)集:

執(zhí)行train.py訓(xùn)練腳本，開(kāi)始模型訓(xùn)練，如下示意圖：

python train.py

2.4 PC端預(yù)測(cè)模型預(yù)測(cè)

訓(xùn)練完畢后，在default.yaml文件配置的project目錄下保存訓(xùn)練過(guò)程，經(jīng)驗(yàn)證集測(cè)試的最好結(jié)果的模型。同時(shí)可以執(zhí)行模型預(yù)測(cè)，初步評(píng)估模型的效果。打開(kāi)predict-seg.py腳本，配置好模型路徑和待檢測(cè)圖片，如下代碼片段：

from ultralytics import YOLO

# Load a model
model_path = r"./demo/crack/train/weights/best.pt"
image_path = r"./demo/crack-seg/test/images/1616.rf.c868709931a671796794fdbb95352c5a.jpg"

model = YOLO(model_path)  # load an official model

# Predict with the model
results = model(image_path)  # predict on an image

for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

執(zhí)行腳本：

python predict-seg.py

腳本運(yùn)行結(jié)束后，會(huì)將圖片結(jié)果圖片保存為result.jpg，運(yùn)行結(jié)果如下圖所示：

2.5 PT模型轉(zhuǎn)ONNX

在PC端執(zhí)行export.py將pt模型轉(zhuǎn)成onnx，如下代碼段所示：

from ultralytics import YOLO

if __name__ == '__main__':
    format = 'rknn' # 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn'
    weight = r"./demo/crack/train/weights/best.pt"  # pt 或 yolovx.yaml
    model = YOLO(weight)
    results = model.export(format = format)

執(zhí)行腳本：

python export.py

生成best.onnx模型如下所示：

3. rknn-toolkit模型轉(zhuǎn)換

3.1 rknn-toolkit模型轉(zhuǎn)換環(huán)境搭建

onnx模型需要轉(zhuǎn)換為rknn模型才能在EASY-EAI-Orin-nano運(yùn)行，所以需要先搭建rknn-toolkit模型轉(zhuǎn)換工具的環(huán)境。當(dāng)然tensorflow、tensroflow lite、caffe、darknet等也是通過(guò)類似的方法進(jìn)行模型轉(zhuǎn)換，只是本教程onnx為例。

3.1.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

3.1.2 下載模型轉(zhuǎn)換工具

為了保證模型轉(zhuǎn)換工具順利運(yùn)行，請(qǐng)下載網(wǎng)盤里“06.AI算法開(kāi)發(fā)/01.rknn-toolkit2模型轉(zhuǎn)換工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

網(wǎng)盤下載鏈接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234(提取碼：1234)。

3.1.3 把工具移到ubuntu20.04

把下載完成的docker鏡像移到我司的虛擬機(jī)ubuntu20.04的rknn-toolkit2目錄,如下圖所示：

3.1.4 運(yùn)行模型轉(zhuǎn)換工具環(huán)境

在該目錄打開(kāi)終端

執(zhí)行以下指令加載模型轉(zhuǎn)換工具docker鏡像:

docker load --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

執(zhí)行以下指令進(jìn)入鏡像bash環(huán)境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38 /bin/bash

現(xiàn)象如下圖所示:

輸入“python”加載python相關(guān)庫(kù)，嘗試加載rknn庫(kù)，如下圖環(huán)境測(cè)試成功:

至此，模型轉(zhuǎn)換工具環(huán)境搭建完成。

4. 模型轉(zhuǎn)換為RKNN

EASY EAI Orin-nano支持.rknn后綴的模型的評(píng)估及運(yùn)行，對(duì)于常見(jiàn)的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過(guò)我們提供的 toolkit 工具將其轉(zhuǎn)換至 rknn 模型，而對(duì)于其他框架訓(xùn)練出來(lái)的模型，也可以先將其轉(zhuǎn)至 onnx 模型再轉(zhuǎn)換為 rknn 模型。模型轉(zhuǎn)換操作流程入下圖所示：

4.1 模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤鏈接：https://pan.baidu.com/s/1jrF2VFZImsBqWQeH4bawaA?pwd=1234(提取碼：1234。)把quant_dataset.zip和yolov11_seg_model_convert.tar.bz2解壓到虛擬機(jī)，如下圖所示:

4.2 進(jìn)入模型轉(zhuǎn)換工具docker環(huán)境

執(zhí)行以下指令把工作區(qū)域映射進(jìn)docker鏡像，其中/home/developer/rknn-toolkit2/model_convert為工作區(qū)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(zhí)行成功如下圖所示:

4.3 模型轉(zhuǎn)換操作說(shuō)明

4.3.1 模型轉(zhuǎn)換Demo目錄結(jié)構(gòu)

模型轉(zhuǎn)換測(cè)試Demo由yolov11_seg_model_convert和quant_dataset組成。yolov11_seg_model_convert存放軟件腳本, quant_dataset存放量化模型所需的數(shù)據(jù)。如下圖所示:

4.3.2 onnx模型轉(zhuǎn)換為rknn模型

rknn_convert.py腳本默認(rèn)進(jìn)行int8量化操作，腳本代碼清單如下所示：

from rknn.api import RKNN

import sys
from rknn.api import RKNN

ONNX_MODEL = 'best.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov11n_seg_rk3576.rknn'
QUANTIZE_ON = True


if __name__ == '__main__':

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

    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform='rk3576')
    print('done')

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

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

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

    # Release
    rknn.release()

并執(zhí)行如下命令進(jìn)行模型轉(zhuǎn)換：

python rknn_convert.py

生成模型如下圖所示，EASY EAI Orin-nano環(huán)境運(yùn)行：

5. 模型部署示例

本小節(jié)展示yolov11-seg模型的在EASY EAI Orin-nano的部署過(guò)程，本章章節(jié)使用的yolov11n_seg_rk3576.rknn是使用crack數(shù)據(jù)集訓(xùn)練得到。

5.1 源碼下載以及例程編譯

下載yolov11-seg C Demo示例文件。

百度網(wǎng)盤鏈接: https://pan.baidu.com/s/1GCBkHHWtgXMbDTvEPJHmAw?pwd=1234（提取碼: 1234）。

下載程序包移至ubuntu環(huán)境后，執(zhí)行以下指令解壓：

tar -xvf yolov11_seg_model_convert.tar.bz2

下載解壓后如下圖所示:

通過(guò)adb接口連接EASY-EAI-Orin-nano,，連接方式如下圖所示:

接下來(lái)需要通過(guò)adb把源碼傳輸?shù)桨蹇ㄉ希惹袚Q目錄然后執(zhí)行以下指令：

cd ~/rknn-toolkit2
adb push yolov11_seg_C_demo /userdata

登錄到板子切換到例程目錄執(zhí)行編譯操作

adb shell
cd /userdata/yolov11_seg_C_demo
chmod 777 build.sh
./build.sh

5.2 開(kāi)發(fā)板執(zhí)行yolov11 seg分割算法

編譯成功后切換到可執(zhí)行程序目錄，如下所示：

 cd /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/

運(yùn)行例程命令如下所示：

chmod 777 yolov11_seg_demo
./yolov11_seg_demo yolov11n_seg_rk3576.rknn crack.jpg

執(zhí)行結(jié)果如下圖所示,算法執(zhí)行時(shí)間為60.1768ms：

退出板卡環(huán)境，取回測(cè)試圖片:

exit
adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/result.jpg .
adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/mask_bgr.jpg .

測(cè)試結(jié)果如下圖所示:

至此，yolov11-seg實(shí)例分割例程已成功在板卡運(yùn)行。

6. 資料下載

審核編輯 黃宇