1. Resnet50簡介

ResNet50網(wǎng)絡(luò)是2015年由微軟實驗室的何愷明提出，獲得ILSVRC2015圖像分類競賽第一名。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，就會出現(xiàn)退化問題。 殘差網(wǎng)絡(luò)的特點是容易優(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-Orin-nano(RK3576)進行說明。

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/1BhSF1PklkTQHg4vWGiRKow?pwd=1234 提取碼：1234

解壓完成后得到以下兩個文件夾：

打開可以看到一共10類汽車：

類別名稱與類別索引關(guān)系如下所示：

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/1-jDyeJEkBqEt0gbnMOdhPw?pwd=1234 提取碼：1234

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端測試模型

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

python predict.py

結(jié)果類別索引號為1——BUS, 測試結(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-Orin-nano運行，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)換工具順利運行，請下載網(wǎng)盤里“06.AI算法開發(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

4.1.3 把工具移到ubuntu20.04

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

4.1.4 運行模型轉(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 rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

執(zhí)行以下指令進入鏡像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，嘗試加載rknn庫，如下圖環(huán)境測試成功:

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-Orin-nano支持.rknn后綴的模型的評估及運行，對于常見的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/1ZrTRTFqcJpYz5hNl4Fk-Jw 提取碼：1234。把resnet50_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機，如下圖所示:

4.2.2 進入模型轉(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:

4.2.3 模型轉(zhuǎn)換Demo目錄介紹

模型轉(zhuǎn)換測試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_rk3576.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True



if __name__ == '__main__':

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

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

	# pre-process config
	print('--> Config model')
	rknn.config(mean_values=[[123.67, 116.28,103.53]],
		    std_values=[[58.395, 57.12, 57.375]],
		    target_platform = 'rk3576')
	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')

	rknn.release()

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目錄，并執(zhí)行rknn_convert.py腳本進行模型轉(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 Orin nano環(huán)境運行：

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 Orin nano的部署過程，該模型僅經(jīng)過簡單訓(xùn)練供示例使用，不保證模型精度。

5.2 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/1fW0EUqEc-DxNPQiYfq6c4w?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 resnet50_classification_C_demo.tar.bz2

下載解壓后如下圖所示:

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

接下來需要通過adb把源碼傳輸?shù)桨蹇ㄉ?，先切換目錄然后執(zhí)行以下指令：

cd ~/rknn-toolkit2
adb push resnet50_classification_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/resnet50_classification_C_demo
chmod 777 build.sh
./build.sh

5.3 在開發(fā)板執(zhí)行ResNet50 圖像分類算法

編譯成功后切換到可執(zhí)行程序目錄，如下所示：

 cd /userdata/resnet50_classification_C_demo/resnet_classification_demo_release/

運行例程命令如下所示：

chmod 777 resnet_classification_demo
./resnet_classification_demo

執(zhí)行結(jié)果如下圖所示，算法執(zhí)行時間約為9.7ms:

至此，ResNet50圖像分類例程已成功在板卡運行。

6. 資料下載

審核編輯 黃宇