赞
踩
特别说明:以下内容参考来自rknn官网文档 Rockchip_User_Guide_RKNN_Toolkit2_CN-1.3.0.pdf。如有侵权告知删除。
完整代码放在github上。代码
RKNN 工具链提供了两种按照方式,一种是“通过 pip install 安装”和“通过 Docker 镜像安装”,建议“通过 Docker 镜像安装”。具体安装方式参考提供的官方文档。工具链百度云盘下载路径,提取码:rknn
RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet、PyTorch 等 模型的加载转换,这些模型在加载时需调用对应的接口,以下为这些接口的详细说明。官方工具链:https://github.com/rockchip-linux/rknn-toolkit2
# 镜像 load
docker load -i rknn-toolkit2-1.3.0-cp36-docker.tar.gz
# 启动镜像
sudo docker run -v `pwd`/rknn_model_convert:/data -it rknn-toolkit2:1.3.0-cp36 /bin/bash
1)模型初始化
# 将详细的日志信息输出到屏幕,并写到 mobilenet_build.log 文件中
rknn = RKNN(verbose=True, verbose_file='./mobilenet_build.log')
# 只在屏幕打印详细的日志信息
rknn = RKNN(verbose=True)
2)配置不同参数
# mean_values 通道均值
# std_values 方差, rknn是除以方差
# quant_img_RGB2BGR 该参数是将量化图片格式又RGB转换为BGR,通常caffe训练的模型需要这个操作
# quantized_algorithm 量化算法,normal 和 mmse, 不写该参数默认值为 normal, 其中:normal 量化速度快(推荐量化数据量一般为 20-100 张左右,更多的数据量下精度未必会有进一步提升), mmse 量化速度慢(推荐量化数据量一般为 20-50 张左右), 精度稍微比normal保持的好
# quantized_method 量化方法 channel, layer可选; layer:每层的 weight 只有一套量化参数; channel:每层的 weight 的每个通道都有一套量化参数。默认使用channel
# target_platform 可以用来配置不同的芯片, 目前支持 rk3566、rk3568、rk3588、rv1103、rv1106, 该参数的值大小写不敏感。
rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], quant_img_RGB2BGR=True, quantized_algorithm='normal', quantized_method='channel', target_platform='rk3566')
# RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet、PyTorch 等 模型的加载转换
# 从当前路径加载 mobilenet_v2 的 caffe 模型
ret = rknn.load_caffe(model='./mobilenet_v2.prototxt', blobs='./mobilenet_v2.caffemodel')
# 从当前目录加载 mobilenet_v2 的 onnx 模型,outputs 为 onnx输出层的名字(outputs可不写)
ret = rknn.load_onnx(model = './mobilenet_v2.onnx', outputs=['output1', 'output2', 'output3'])
4)构建 RKNN 模型
# 构建 RKNN 模型
# do_quantization 是否做量化(不做量化为float16)
# dataset 为量化图片的路径
# rknn_batch_size 为 batch_size 默认值为1(可以不写),建议 batch_size 小于 32
ret = rknn.build(do_quantization=True, dataset='./data.txt', rknn_batch_size=1)
5)导出 RKNN 模型
# 将构建好的 RKNN 模型保存到当前路径的 mobilenet_v1.rknn 文件中
ret = rknn.export_rknn(export_path='./mobilenet_v1.rknn')
6)加载 RKNN 模型
# 从当前路径加载 mobilenet_v1.rknn 模型
ret = rknn.load_rknn(path='./mobilenet_v1.rknn')
7)初始化运行时环境
# target 目标硬件平台,rk3566、rk3568、rk3588、rv1103、rv1106, 默认只为None。在 PC 使用工具时,模型在模拟器上运行,需要配置成None(或不配置该参数)。
# device_id:设备编号,如果 PC 连接多台设备时,需要指定该参数,设备编号可以通 过 list_devices 接口查看。默认值为 None。
# perf_debug:进行性能评估时是否开启 debug 模式。在 debug 模式下,可以获取到每 一层的运行时间,否则只能获取模型运行的总时间。默认值为 False。
# eval_mem:是否进入内存评估模式。进入内存评估模式后,可以调用 eval_memory 接口获取模型运行时的内存使用情况。默认值为 False。
ret = rknn.init_runtime(target=None, device_id=None, perf_debug=False, eval_mem=False)
# inputs:待推理的输入,如经过 cv2 处理的图片。格式是 ndarray list。
# data_format:数据模式,可以填以下值:nchw, nhwc。默认值为nhwc。只对 4 维的输入有效。
# inputs_pass_through:将输入透传给 NPU 驱动。非透传模式下,在将输入传给 NPU 驱动之前,工具会对输入进行减均值、除方差等操作;而透传模式下,不会做这些 操作。这个参数的值是一个数组,比如要透传 input0,不透传 input1,则这个参数的 值为[1, 0]。默认值为 None,即对所有输入都不透传。
outputs = rknn.inference(inputs=[img])
9)模型性评估(模型必须运行板子上)
# 对模型性能进行评估
rknn.eval_perf(inputs=[image], is_print=True)
# 对模型内存使用情况进行评估
memory_detail = rknn.eval_memory()
11) 查询 SDK 版本(模型必须运行板子上)
# 获取 SDK 版本信息
sdk_version = rknn.get_sdk_version()
print(sdk_version)
1-8步的完整代码
import os import sys import numpy as np import cv2 from rknn.api import RKNN ONNX_MODEL = 'yolov5.onnx' RKNN_MODEL = 'yolov5.rknn' DATASET = './dataset.txt' QUANTIZE_ON = True def export_rknn_inference(img): # Create RKNN object rknn = RKNN(verbose=True) # pre-process config print('--> Config model') rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], quantized_algorithm='normal', quantized_method='channel', target_platform='rk3566') print('done') # Load ONNX model print('--> Loading model') ret = rknn.load_onnx(model=ONNX_MODEL, outputs=['output1', 'output2', 'output3']) if ret != 0: print('Load model failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET, rknn_batch_size=1) if ret != 0: print('Build model failed!') exit(ret) print('done') # Export RKNN model print('--> Export rknn model') ret = rknn.export_rknn(RKNN_MODEL) if ret != 0: print('Export rknn model failed!') exit(ret) print('done') # Init runtime environment print('--> Init runtime environment') ret = rknn.init_runtime(target=None, device_id=None, perf_debug=True) # ret = rknn.init_runtime(target='rk3566') if ret != 0: print('Init runtime environment failed!') exit(ret) print('done') # Inference print('--> Running model') outputs = rknn.inference(inputs=[img]) rknn.release() print('done') return outputs if __name__ == '__main__': print('This is main ....') # Set inputs img_path = 'test.jpg' model_input_w = 512 model_input_h = 512 origimg = cv2.imread(img_path) origimg = cv2.cvtColor(origimg, cv2.COLOR_BGR2RGB) img = cv2.resize(origimg, (model_input_w , model_input_h )) outputs = export_rknn_inference(img) # 后处理 ''' ........ '''
测试RKNN提供的yolov5示例
完整代码放在github上。代码
[1] Rockchip_User_Guide_RKNN_Toolkit2_CN-1.3.0.pdf
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。