1. Resnet50簡(jiǎn)介

ResNet50網(wǎng)絡(luò)是2015年由微軟實(shí)驗(yàn)室的何愷明提出，獲得ILSVRC2015圖像分類競(jìng)賽第一名。在ResNet網(wǎng)絡(luò)提出之前，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)都是將一系列的卷積層和池化層堆疊得到的，但當(dāng)網(wǎng)絡(luò)堆疊到一定深度時(shí)，就會(huì)出現(xiàn)退化問題。 殘差網(wǎng)絡(luò)的特點(diǎn)是容易優(yōu)化，并且能夠通過增加相當(dāng)?shù)纳疃葋硖岣邷?zhǔn)確率。其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來的梯度消失問題。

本教程基于圖像分類算法ResNet50的訓(xùn)練和部署到EASY-EAI-Nano(RV1126)進(jìn)行說明。

2. 準(zhǔn)備數(shù)據(jù)集

2.1 數(shù)據(jù)集下載

本教程以車輛分類算法為例，數(shù)據(jù)集的百度網(wǎng)盤下載鏈接為:

https://pan.baidu.com/s/1pkYm9AA3s3WDM7GecShlbQ 提取碼：6666

解壓完成后得到以下兩個(gè)文件夾：

打開可以看到一共10類汽車：

3. ResNet50圖像分類訓(xùn)練

3.1 訓(xùn)練源碼下載

訓(xùn)練源碼的百度網(wǎng)盤下載鏈接為:

https://pan.baidu.com/s/1slgFo12Hoy0_copi1MFmXg 提取碼：6666

得到下圖所示目錄：

把數(shù)據(jù)集解壓到當(dāng)前目錄：

3.2 訓(xùn)練模型

進(jìn)入anconda的pyTorch環(huán)境，切換到訓(xùn)練源碼目錄執(zhí)行以下指令開始訓(xùn)練：

python train.py

執(zhí)行結(jié)果如下圖所示:

訓(xùn)練結(jié)束后test loss結(jié)果如下所示:

訓(xùn)練結(jié)束后test accuracy結(jié)果如下所示:

生成的最優(yōu)模型如下所示：

3.3 在PC端測(cè)試模型

在訓(xùn)練源碼目錄執(zhí)行以下指令，測(cè)試模型(生成模型名稱不一致則修改predict.py腳本):

python predict.py

結(jié)果類別索引號(hào)為1——BUS, 測(cè)試結(jié)果正確。

3.4 pth模型轉(zhuǎn)換為onnx模型

執(zhí)行以下指令把pytorch的pth模型轉(zhuǎn)換onxx模型：

python pth_to_onnx.py

生成ONNX模型如下所示:

4. rknn-toolkit模型轉(zhuǎn)換

4.1 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-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。

4.1.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

4.1.2 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”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

4.1.3 把工具移到ubuntu18.04

把下載完成的docker鏡像移到我司的虛擬機(jī)ubuntu18.04的rknn-toolkit目錄,如下圖所示：

4.1.4 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，嘗試加載rknn庫，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。

4.2 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：

4.2.1 模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤鏈接：https://pan.baidu.com/s/1iTcklPq7lyfVbG4GlsZNIg 提取碼：6666。把resnet50_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機(jī)，如下圖所示:

4.2.2 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_test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:/test rknn-toolkit:1.7.3 /bin/bash

執(zhí)行成功如下圖所示:

4.2.3 模型轉(zhuǎn)換Demo目錄介紹

模型轉(zhuǎn)換測(cè)試Demo由resnet50_model_convert和quant_dataset組成。resnet50_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:

resnet50_model_convert文件夾存放以下內(nèi)容，如下圖所示:

4.2.4 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/resnet50_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:

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


ONNX_MODEL = '10class_ResNet50.onnx'
RKNN_MODEL = './10class_ResNet50.rknn'
DATASET = './pic_path.txt'

QUANTIZE_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=[[123.67, 116.28,103.53]],
			    std_values=[[58.395, 57.12, 57.375]],
			    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  failed!')
		exit(ret)
	print('done')

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

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

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目錄，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rknn-toolkit環(huán)境和EASY EAI Nano環(huán)境運(yùn)行：

4.2.6 運(yùn)行rknn模型

用predict.py腳本在PC端的環(huán)境下可以運(yùn)行rknn的模型，如下圖所示:

predict.py腳本程序清單如下所示:

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

RKNN_MODEL = '10class_ResNet50.rknn'
IMG_PATH = './test-1.jpg'


BOX_THRESH = 0.25
NMS_THRESH = 0.6


CLASSES = ("SUV", "bus", "family sedan", "fire engine", "heavy truck", "jeep", "minibus", "racing car", "taxi", "truck")


def show_outputs(output):

	print("softmax output:", output)

	max_confidence = np.max(output)
	index = np.where(output == max_confidence)
	print("max confidence:", max_confidence)
	print("max confidence index:", index[0][0])
	print("CLASSES predict: ", CLASSES[index[0][0]])

def softmax(x):
    return np.exp(x)/sum(np.exp(x))

if __name__ == '__main__':

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

	print('--> Loading model')
	ret = rknn.load_rknn(RKNN_MODEL)
	if ret != 0:
		print('load rknn model failed')
		exit(ret)
	print('done')

	# init runtime environment
	print('--> Init runtime environment')
	ret = rknn.init_runtime()
	# ret = rknn.init_runtime('rv1126', device_id='1126')
	if ret != 0:
		print('Init runtime environment failed')
		exit(ret)
	print('done')

	# Set inputs
	img = cv2.imread(IMG_PATH)
	img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
	resize_img = cv2.resize(img,(224,224))

	# Inference
	print('--> Running model')
	outputs = rknn.inference(inputs=[resize_img])

	print("outputs[0]:", outputs[0])
	print("outputs[0].shape:", outputs[0].shape)
	show_outputs(softmax(np.array(outputs[0][0])))

	print('done')
	rknn.release()

執(zhí)行結(jié)果如下圖所示:

4.2.7 模型預(yù)編譯

由于rknn模型用NPU API在EASY EAI Nano加載的時(shí)候啟動(dòng)速度會(huì)很慢，在評(píng)估完模型精度沒問題的情況下，建議進(jìn)行模型預(yù)編譯。預(yù)編譯的時(shí)候需要通過EASY EAI Nano主板的環(huán)境，所以請(qǐng)務(wù)必接上adb口與ubuntu保證穩(wěn)定連接。

板子端接線如下圖所示，撥碼開關(guān)需要是adb：

虛擬機(jī)要保證接上adb設(shè)備：

由于在虛擬機(jī)里ubuntu環(huán)境與docker環(huán)境對(duì)adb設(shè)備資源是競(jìng)爭(zhēng)關(guān)系，所以需要關(guān)掉ubuntu環(huán)境下的adb服務(wù)，且在docker里面通過apt-get安裝adb軟件包。以下指令在ubuntu環(huán)境與docker環(huán)境里各自執(zhí)行：

在docker環(huán)境里執(zhí)行adb devices,現(xiàn)象如下圖所示則設(shè)備連接成功：

運(yùn)行precompile_rknn.py腳本把模型執(zhí)行預(yù)編譯：

python precompile_rknn.py

執(zhí)行效果如下圖所示，生成預(yù)編譯模型10class_ResNet50_pre.rknn：

至此預(yù)編譯部署完成，模型轉(zhuǎn)換步驟已全部完成。生成如下預(yù)編譯后的int8量化模型：

至此RKNN模型生成完畢，注意預(yù)編譯模型只能在板卡端執(zhí)行。

5. ResNet50圖像分類部署

5.1 模型部署示例介紹

本小節(jié)展示ResNet50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ResNet50 C Demo示例文件。

百度網(wǎng)盤鏈接: (https://pan.baidu.com/s/1obT-Ipdwzafqyn3-93OoeA 提取碼：6666)。

下載程序包移至ubuntu環(huán)境后，執(zhí)行以下指令解壓：

tar -xvf resnet50_classification_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/resnet50_classification_C_demo/
./build.sh

注：

* 由于依賴庫部署在板卡上，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ResNet50 圖像分類算法

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 resnet_classification_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/resnet_classification_demo_release/

運(yùn)行例程命令如下所示：

./resnet_classification_demo

執(zhí)行結(jié)果如下圖所示，算法執(zhí)行時(shí)間約為35ms:

至此，ResNet50圖像分類例程已成功在板卡運(yùn)行。

6. 資料下載

審核編輯 黃宇