1. Yolov8簡(jiǎn)介

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 號(hào)開源的基于YOLOV5進(jìn)行更新的 下一個(gè)重大更新版本，目前支持圖像分類、物體檢測(cè)和實(shí)例分割任務(wù)，鑒于Yolov5的良好表現(xiàn)，Yolov8在還沒有開源時(shí)就收到了用戶的廣泛關(guān)注。其主要結(jié)構(gòu)如下圖所示：

本教程針對(duì)目標(biāo)檢測(cè)算法yolov8的訓(xùn)練和部署到EASY-EAI-Nano(RV1126)進(jìn)行說明，而數(shù)據(jù)標(biāo)注方法可以參考我們往期的文章。

2. Yolov8目標(biāo)檢測(cè)算法訓(xùn)練

通過git工具，在PC端克隆遠(yuǎn)程倉(cāng)庫(kù)（注：此處可能會(huì)因網(wǎng)絡(luò)原因造成卡頓，請(qǐng)耐心等待），修改過算子后的yolov8倉(cāng)庫(kù): https://github.com/airockchip/ultralytics_yolov8

3. 轉(zhuǎn)換為rknn模型環(huán)境搭建

onnx模型需要轉(zhuǎn)換為rknn模型才能在EASY-EAI-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等也是通過類似的方法進(jìn)行模型轉(zhuǎn)換，只是本教程onnx為例。

3.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

3.2 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”AI算法開發(fā)/RKNN-Toolkit模型轉(zhuǎn)換工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。

網(wǎng)盤下載鏈接：https://pan.baidu.com/s/1_PquxW2rFuf77q6mT3gkDQ 提取碼：6666

3.3 把工具移到電腦端ubuntu

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

3.4 運(yùn)行模型轉(zhuǎn)換工具環(huán)境

在該目錄打開終端：

執(zhí)行以下指令加載模型轉(zhuǎn)換工具docker鏡像:

docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-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-toolkit:1.7.3 /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 Nano支持.rknn后綴的模型的評(píng)估及運(yùn)行，對(duì)于常見的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過我們提供的 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/1HDYVFaZmHhi_lnr-KeGItw?pwd=1234 提取碼：1234。把 yolov8_model_convert.tar.bz2和quant_dataset.zip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-toolkit/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-toolkit/model_convert:/test rknn-toolkit:1.7.3 /bin/bash

執(zhí)行成功如下圖所示:

4.3 模型轉(zhuǎn)換操作說明

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yolov8_model_convert和quant_dataset組成。Yolov8_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:

Yolov8_model_convert文件夾存放以下內(nèi)容，如下圖所示：

4.3.2 生成量化圖片列表

在docker環(huán)境切換到模型轉(zhuǎn)換工作目錄:

cd /test/yolov8_model_convert

如下圖所示:

執(zhí)行g(shù)en_list.py生成量化圖片列表:

python gen_list.py

命令行現(xiàn)象如下圖所示:

生成“量化圖片列表”如下文件夾所示:

4.3.3 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：

import sys
import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN

ONNX_MODEL = 'yolov8m.onnx'
RKNN_MODEL = './yolov8m_rv1126.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True
PRECOMILE_ON = True


if __name__ == '__main__':

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

	if not os.path.exists(ONNX_MODEL):
		print('model not exist')
		exit(-1)

	# pre-process config
	print('--> Config model')
	rknn.config(reorder_channel='0 1 2',
			    mean_values=[[0, 0, 0]],
			    std_values=[[255, 255, 255]],
			    optimization_level=3,
			    target_platform = 'rv1126',
			    output_optimize=1,
			    quantize_input_node=QUANTIZE_ON)
	print('done')

	# Load ONNX model
	print('--> Loading model')
	ret = rknn.load_onnx(model=ONNX_MODEL)
	if ret != 0:
		print('Load yolov5 failed!')
		exit(ret)
	print('done')

	# Build model
	print('--> Building model')
	ret = rknn.build(pre_compile=PRECOMILE_ON, do_quantization=QUANTIZE_ON, dataset=DATASET)
	if ret != 0:
		print('Build yolov5 failed!')
		exit(ret)
	print('done')

	# Export RKNN model
	print('--> Export RKNN model')
	ret = rknn.export_rknn(RKNN_MODEL)
	if ret != 0:
		print('Export yolov5rknn failed!')
		exit(ret)
	print('done')

把onnx模型yolov8m_rv1126.onnx放到y(tǒng)olov8_model_convert目錄(后續(xù)用戶使用自己的模型的時(shí)候，替換掉對(duì)應(yīng)的onnx即可)，并執(zhí)行rknn_convert.py腳本進(jìn)行模型轉(zhuǎn)換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在EASY EAI Nano環(huán)境運(yùn)行：

5. 模型部署示例

5.1 模型部署示例介紹

本小節(jié)展示yolov8模型的在EASY EAI Nano的部署過程，該模型僅經(jīng)過簡(jiǎn)單訓(xùn)練供示例使用，不保證模型精度。

5.2 開發(fā)環(huán)境準(zhǔn)備

如果您初次閱讀此文檔，請(qǐng)閱讀《入門指南/開發(fā)環(huán)境準(zhǔn)備/Easy-Eai編譯環(huán)境準(zhǔn)備與更新》，并按照其相關(guān)的操作，進(jìn)行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進(jìn)入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment
./run.sh

5.3 源碼下載以及例程編譯

下載yolov8 C Demo示例文件。

百度網(wǎng)盤鏈接: (https://pan.baidu.com/s/1anV3qObQvHwVVj-55dSX0w?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 yolov8_detect_C_demo.tar.bz2

下載解壓后如下圖所示:

在EASY-EAI編譯環(huán)境下，切換到例程目錄執(zhí)行編譯操作：

cd /opt/rknn-toolkit/yolov8_detect_C_demo
./build.sh

注：

* 由于依賴庫(kù)部署在板卡上，因此交叉編譯過程中必須保持adb連接。

5.4 在開發(fā)板執(zhí)行yolov8目標(biāo)檢測(cè)算法

在EASY-EAI編譯環(huán)境下，在例程目錄執(zhí)行以下指令把可執(zhí)行程序推送到開發(fā)板端：

cp yolov8_detect_demo_release/ /mnt/userdata/ -rf

通過按鍵Ctrl+Shift+T創(chuàng)建一個(gè)新窗口，執(zhí)行adb shell命令，進(jìn)入板卡運(yùn)行環(huán)境:

adb shell

進(jìn)入板卡后，定位到例程上傳的位置，如下所示：

 cd /userdata/yolov8_detect_demo_release/

運(yùn)行例程命令如下所示：

./yolov8_detect_demo yolov8m_rv1126.rknn test.jpg 

執(zhí)行結(jié)果如下圖所示,yolov8m算法執(zhí)行時(shí)間為212ms：

更換yolov8s模型, 算法執(zhí)行時(shí)間為123ms:

退出板卡環(huán)境，取回測(cè)試圖片:

exit
adb pull /userdata/yolov8_detect_demo_release/result.jpg .

測(cè)試結(jié)果如下圖所示:

至此，yolov8目標(biāo)檢測(cè)例程已成功在板卡運(yùn)行。

6. 資料下載

審核編輯 黃宇