yolov9 瑞芯微芯片rknn部署、地平线芯片Horizon部署、TensorRT部署_yolov9 yaml

  特别说明：参考官方开源的yolov9代码、瑞芯微官方文档、地平线的官方文档，如有侵权告知删，谢谢。

  模型和完整仿真测试代码，放在github上参考链接 模型和代码。

  之前写过yolov8检测、分割、关键点模型的部署的多篇博文，yolov8还没玩溜，这不yolov9又来了。yolov9刚出来两三天，有朋友就问：yolov9都出来好几天了，怎么没有见到你写一篇部署博客呢。其实yolov9出来两三天，说实话还是通过朋友告知才知道的。一直想抽时间把yolov9部署给盘一下，奈何一拖就又是好几天，这两天抽时间终于把这个yolov9给盘完了。

1 模型和训练

  训练代码参考官方开源的yolov9训练代码，考虑到有些板端对SiLU的支持有限，本示例训练前把激活函数SiLU替换成了ReLU，训练使用的模型配置文件是yolov9.yaml，输入分辨率640x640。用 from thop import profile 统计的模型计算量和参数 Flops: 120081612800.0（120G），Params: 55388336.0（55M）

2 导出 yolov9 onnx

  导出onnx时需要修改两个地方。

  特别说明：只在导出onnx时修改，训练时无需修改，修改以下代码后运行会报错，但是可以生成onnx文件，无需关注报错。

   第一个处：增加以下代码（红色框内新增）：

        reslut = []
        for i in range(self.nl):
            reslut.append(self.cv2[i](x[i]))
            reslut.append(self.cv3[i](x[i]))
        return reslut
1
2
3
4
5

第二处修改：增加以下代码（红色框内新增）

class CBFuse(nn.Module):
    def __init__(self, idx):
        super(CBFuse, self).__init__()
        self.idx = idx

    def forward(self, xs):
        target_size = xs[-1].shape[2:]

        if target_size[0] < 10:
            res = [F.interpolate(x[self.idx[i]], size=target_size, mode='nearest') for i, x in enumerate(xs[:-1])]
            out = torch.sum(torch.stack(res + xs[-1:]), dim=0)
            return out
        j = 0
        for i, x in enumerate(xs[:-1]):
            j = i
            if target_size[0] < 10:
                continue
            if i == 0:
                x0 = F.interpolate(x[self.idx[i]], size=target_size, mode='nearest')
            if i == 1:
                x1 = F.interpolate(x[self.idx[i]], size=target_size, mode='nearest')
            if i == 2:
                x2 = F.interpolate(x[self.idx[i]], size=target_size, mode='nearest')

        if j == 2 and target_size[0] > 10:
            out = x0 + x1 + x2 + xs[-1:][0]
            return out
        if j == 1 and target_size[0] > 10:
            out = x0 + x1 + xs[-1:][0]
            return out
        if j == 0 and target_size[0] > 10:
            out = x0 + xs[-1:][0]
            return out

        res = [F.interpolate(x[self.idx[i]], size=target_size, mode='nearest') for i, x in enumerate(xs[:-1])]
        out = torch.sum(torch.stack(res + xs[-1:]), dim=0)
        return out
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

最后：增加保存onnx文件代码

    print(torch.onnx.ir_version)
    print("===========  onnx =========== ")
    dummy_input0 = torch.randn(1, 3, 640, 640)
    input_names = ["data"]
    output_names = ["output1", "output2", "output3", "output4", "output5", "output6"]
    torch.onnx.export(model, (dummy_input0), "./test_onnx/yolov9_relu_80class.onnx", verbose=True, input_names=input_names, output_names=output_names, opset_version=12)
    print("======================== convert onnx Finished! .... ")
1
2
3
4
5
6
7

3 yolov9 测试效果

pytorhc测试效果

onnx测试效果（确保修改CBFuse后导出的onnx测试结果和pytorch是一致的）

4 tensorRT 时耗

  模型训练使用的配置文件是yolov9.yaml，输入分辨率是640x640，转trt使用的fp16_mode，显卡Tesla V100，cuda_11.0。

5 rknn 板端C++部署

  模型训练使用的配置文件是yolov9.yaml，输入分辨率是640x640，芯片rk3588.

  把在rk3588板子上测试的模特推理时耗，和用C++代码写的后处理时耗，都给贴出来供大家参考。【rk3588的C++代码参考链接】。