SIENOVO
Back to Blog

RK3399pro yolov5人工智能加速推理解决方案

#人工智能#ubuntu#python

0. 前言：

本文介绍了YOLOv5s算法在国产瑞芯微电子RK3399ProD上的部署推理.介绍整个的流程，并基于RK3399Pro简单的介绍下RKNN的Python接口使用，并记录一些踩过的坑。本文仅做交流使用，文中有什么理解的不到位的或者谬误，也欢迎大家能够交流下。

1. 部署流程

  1. 在服务器端或者电脑端进行训练，训练完成后将.pt文件转换成ONNX格式
  2. 电脑端使用rknn-toolkit1.6.0将ONNX模型转换成RKNN模型
  3. RK3399Pro中进行模型推理 其中第二步，转换模型，可以在装了rknn-toolkit的rk3399Pro中，之前不知道的时候都是在这个开发板中进行转换的，不过还是建议在电脑端Ubuntu18.04系统下进行转换，可以将量化的batch设置的大一些,量化的速度快一些。
  4. 本文采用的开发板为信迈科技XM-3399-02
     

2. 环境准备

环境问题可能是比较棘手的问题，因为好多人都是在这个问题上出现了各种各样的bug，最好的办法是直接在Ubuntu上拉取他们提供的docker，直接拉取，环境都给配置好了，然后转换模型。 然后开发板选择官方的开发板，官方的开发板环境是最友好的，官方的RK3399Pro里面给安装好了环境，不怎么需要配置环境，不怎么会遇到问题，用于算法的验证还是很好的。

接下来是我在Ubuntu上配置的环境(使用的比较笨的方法QAQ)，该环境是根据RKNN提供的手册进行安装的，其中，想要安装最终的rknn-toolkit1.6.0及以上版本，需要提前安装好依赖库，并且依赖库的版本要求非常的严格，版本不能有任何的不一样，在Rockchip_Quick_Start_RKNN_Toolkit_V1.6.1_CN.pdf文件中。 在Ubuntu上，我安装的是3.6版本的Python，其余的环境是按照下面的库依赖，严格配置的。安装好依赖库之后，去rockchip的官方仓库下载编译好的whl文件，直接在环境中pip install + xxx.whl就行了

rockchip官方git  https://github.com/rockchip-linux/rknn-toolkit

3. 服务器端或者电脑端训练YOLOv5s

项目地址： https://github.com/littledeep/YOLOv5-RK3399Pro

训练这部分并不用多说什么，仓库拉出来，根据自己的数据集改好参数，然后进行训练， YOLOv5 的训练还是挺友好的。

不过训练YOLOv5的过程中，我选择在common文件中，将silu层全部换成了RuLe层，因为对准换后的RKNN模型有加速作用，这样总体的mAP会稍微降一些，经过测试总体的mAP降低的。
 

Rockchip_Developer_Guide_RKNN_Toolkit_Custom_OP_V1.6.1_CN.pdf在该文件中有详细的解释，使用ReLU激活层会融合一些层，从而进行优化。

4. 模型转换--->ONNX

根据github项目需要先将PyTorch训练出的.pt模型转换成ONNX格式。根据项目的Repo直接转换即可。 在命令行输入 ：
python3 models/export_op.py --rknn_mode
即可。

5. 模型转换--->RKNN

将转换出来的模型xxxx.onnx复制到convert文件夹下面，convert文件夹需要有转换脚本，dataset.txt的 量化 文件，量化图片。量化的图片建议200张，batch尽量设置的大一些。 在命令行输入：
python rknn_convert.py
rknn_convert.py文件代码

import yamlfrom rknn.api import RKNNimport cv2 _model_load_dict = {    'caffe': 'load_caffe',    'tensorflow': 'load_tensorflow',    'tflite': 'load_tflite',    'onnx': 'load_onnx',    'darknet': 'load_darknet',    'pytorch': 'load_pytorch',    'mxnet': 'load_mxnet',    'rknn': 'load_rknn',    } yaml_file = './config.yaml'  def main():    with open(yaml_file, 'r') as F:        config = yaml.load(F)    # print('config is:')    # print(config)     model_type = config['running']['model_type']    print('model_type is {}'.format(model_type))#检查模型的类型     rknn = RKNN(verbose=True)   #配置文件    print('--> config model')    rknn.config(**config['config'])    print('done')      print('--> Loading model')    load_function = getattr(rknn, _model_load_dict[model_type])    ret = load_function(**config['parameters'][model_type])    if ret != 0:        print('Load yolo failed! Ret = {}'.format(ret))        exit(ret)    print('done')     ####    #print('hybrid_quantization')    #ret = rknn.hybrid_quantization_step1(dataset=config['build']['dataset'])      if model_type != 'rknn':        print('--> Building model')        ret = rknn.build(**config['build'])        print('acc_eval')        rknn.accuracy_analysis(inputs='./dataset1.txt', target='rk3399pro')        print('acc_eval done!')         if ret != 0:            print('Build yolo failed!')            exit(ret)    else:        print('--> skip Building model step, cause the model is already rknn')  #导出RKNN模型    if config['running']['export'] is True:        print('--> Export RKNN model')        ret = rknn.export_rknn(**config['export_rknn'])        if ret != 0:            print('Init runtime environment failed')            exit(ret)    else:        print('--> skip Export model')  #初始化    print('--> Init runtime environment')    ret = rknn.init_runtime(**config['init_runtime'])    if ret != 0:        print('Init runtime environment failed')        exit(ret)    print('done')      print('--> load img')    img = cv2.imread(config['img']['path'])    print('img shape is {}'.format(img.shape))    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)    inputs = [img]    print(inputs[0][0:10,0,0])#推理    if config['running']['inference'] is True:        print('--> Running model')        config['inference']['inputs'] = inputs        #print(config['inference'])        outputs = rknn.inference(inputs)        #outputs = rknn.inference(config['inference'])        print('len of output {}'.format(len(outputs)))        print('outputs[0] shape is {}'.format(outputs[0].shape))        print(outputs[0][0][0:2])    else:        print('--> skip inference')#评价    if config['running']['eval_perf'] is True:        print('--> Begin evaluate model performance')        config['inference']['inputs'] = inputs        perf_results = rknn.eval_perf(inputs=[img])    else:        print('--> skip eval_perf')  if __name__ == '__main__':    main()

running:  model_type: onnx       # 转换模型的类型  export: True          		 # 转出模型  inference: False		   eval_perf: True  parameters:  caffe:    model: './mobilenet_v2.prototxt'    proto: 'caffe' #lstm_caffe    blobs: './mobilenet_v2.caffemodel'    tensorflow:    tf_pb: './ssd_mobilenet_v1_coco_2017_11_17.pb'    inputs: ['FeatureExtractor/MobilenetV1/MobilenetV1/Conv2d_0/BatchNorm/batchnorm/mul_1']    outputs: ['concat', 'concat_1']    input_size_list: [[300, 300, 3]]   tflite:    model: './sample/tflite/mobilenet_v1/mobilenet_v1.tflite'   onnx:      # 填写要转换模型的model    model: './best_noop.onnx'   #best_op.onnx   #best_noop.onnx     #C:\Users\HP\Desktop\CODE\yolov5_for_rknn-master\weights\best.onnx   darknet:    model: './yolov3-tiny.cfg'    weight: './yolov3.weights'   pytorch:    model: './yolov5.pt'    input_size_list: [[3, 512, 512]]   mxnet:    symbol: 'resnext50_32x4d-symbol.json'    params: 'resnext50_32x4d-4ecf62e2.params'    input_size_list: [[3, 224, 224]]   rknn:    path: './bestrk.rknn' config:  #mean_value: [[0,0,0]]  #std_value: [[58.82,58.82,58.82]]  channel_mean_value: '0 0 0 255' # 123.675 116.28 103.53 58.395 # 0 0 0 255  reorder_channel: '0 1 2' # '2 1 0'  need_horizontal_merge: False  batch_size: 1  epochs: -1  target_platform: ['rk3399pro']  quantized_dtype: 'asymmetric_quantized-u8'#asymmetric_quantized-u8,dynamic_fixed_point-8,dynamic_fixed_point-16  optimization_level: 3 build:  do_quantization: True  dataset: './dataset.txt' # '/home/zen/rknn_convert/quant_data/hand_dataset/pic_path_less.txt'  pre_compile: False export_rknn:  export_path: './best_noop1.rknn' init_runtime:  target: rk3399pro  device_id: null  perf_debug: False  eval_mem: False  async_mode: False img: &img  path: './test2.jpg' inference:  inputs: *img  data_type: 'uint8'  data_format: 'nhwc' # 'nchw', 'nhwc'  inputs_pass_through: None  eval_perf:  inputs: *img  data_type: 'uint8'  data_format: 'nhwc'  is_print: True

其中在设置config部分的参数时，建议看看官方的API介绍，去选择相应的参数部分，在文件Rockchip_User_Guide_RKNN_Toolkit_V1.6.1_CN.pdf

6. RK3399Pro中模型推理
在detect文件夹下，其中data/image下面放的是需要检测的图片，在models文件夹下放的是转换的RKNN模型

最后点开shell 执行：
python rknn_detect_for_yolov5_original.py
即可 在开发板中会 生成模型 推理的结果和时间

推理的时间比较快，60毫秒左右，这个推理速度和我在笔记本电脑（3060）上使用模型detect的速度是差不多的。

7.模型预编译

解决模型的加载时间过长的问题

from rknn.api import RKNNif __name__ == '__main__':    # Create RKNN object    rknn = RKNN()# Load rknn modelret = rknn.load_rknn('./best_as_200.rknn')if ret != 0:    print('Load RKNN model failed.')    exit(ret)# init runtimeret = rknn.init_runtime(target='rk3399pro', rknn2precompile=True)if ret != 0:    print('Init runtime failed.')    exit(ret)# Note: the rknn2precompile must be set True when call init_runtimeret = rknn.export_rknn_precompile_model('./best_pre_compile.rknn')if ret != 0:    print('export pre-compile model failed.')    exit(ret)rknn.release()

转换的环境是在RK3399Pro中，方法很笨但是有效。

将生成的模型继续使用模型的推理代码，在RK3399Pro中进行预测，模型推理速度50毫秒左右，有20FPS，使用Python接口还是比较快的了。

Reference:

https://github.com/EASY-EAI/yolov5
https://github.com/soloIife/yolov5_for_rknn
https://github.com/ultralytics/yolov5
https://github.com/rockchip-linux/rknn-toolkit
https://blog.csdn.net/weixin_42237113/category_10147159.html?spm=1001.2014.3001.5482

View original article on CSDN →