1.rk3588的yolov5运行：pt_onnx_rknn转换及rknn在rk3588系统python运行_rk3588支持的onnx版本

        自己有点笨，查资料查了一周才完美的实现了yolov5在rk3588环境下的运行，在这里写具体步骤希望大家少走弯路。具体步骤如下：

一、yolov5的原代码下载及pt文件转换为onnx文件

1.yolov5的原代码下载及环境搭建

        在这里一定要下载正确版本的源代码，否则pt到onnx文件的转换很容易出错。进入网盘链接下载即可：https://pan.baidu.com/s/1D-9UzyfNgrACdqliLwkrEg ，提取码：qnbv

       下载后在\yolov5-master\文件夹下打开requirements.txt文件，里面有很多需要安装的包，根据这个文件安装好所有yolov5需要的包即可。

2.pt文件转换为onnx文件

          yolov5训练好的权重文件为pt文件，由于训练麻烦，在这里我们用自带的yolov5s.pt文件转换。我已经将这个文件放在\yolov5-master\文件夹下面，大家可以找到。

         在转换之前，我们需要对yolov5的几个py文件做个修改。修改如下：

(1) 修改models/yolo.py Detect类下的forward函数。首先将该forward函数注释了（一定记着，模型训练时必须用这个函数，不要删了），再修改为下面的函数即可：

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
 
        return x

修改前的函数如下（代码已经被我注释）：

# def forward(self, x):
    #     z = []  # inference output
    #     for i in range(self.nl):
    #         x[i] = self.m[i](x[i])  # conv
    #         bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
    #         x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
    #
    #         if not self.training:  # inference
    #             if self.dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
    #                 self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
    #
    #             if isinstance(self, Segment):  # (boxes + masks)
    #                 xy, wh, conf, mask = x[i].split((2, 2, self.nc + 1, self.no - self.nc - 5), 4)
    #                 xy = (xy.sigmoid() * 2 + self.grid[i]) * self.stride[i]  # xy
    #                 wh = (wh.sigmoid() * 2) ** 2 * self.anchor_grid[i]  # wh
    #                 y = torch.cat((xy, wh, conf.sigmoid(), mask), 4)
    #             else:  # Detect (boxes only)
    #                 xy, wh, conf = x[i].sigmoid().split((2, 2, self.nc + 1), 4)
    #                 xy = (xy * 2 + self.grid[i]) * self.stride[i]  # xy
    #                 wh = (wh * 2) ** 2 * self.anchor_grid[i]  # wh
    #                 y = torch.cat((xy, wh, conf), 4)
    #             z.append(y.view(bs, self.na * nx * ny, self.no))
    #
    #     return x if self.training else (torch.cat(z, 1), ) if self.export else (torch.cat(z, 1), x)

（2）修改yolov5-master/export.py文件

把第838行的'--opset'的defaut修改为12（一定要修改为12），修改后的代码如下：

parser.add_argument('--opset', type=int, default=12, help='ONNX: opset version')

如果运行export.py报错，则修改export.py文件的760行的代码，修改前后的代码如下：

修改前：

shape = tuple((y[0] if isinstance(y, tuple) else y).shape)  # model output shape

修改后：

shape = tuple(y[0].shape)

           其他修改的地方，在以上百度网盘的yolov5的代码中已经修改完，其中，以上几步也已经修改完。大家直接运行即可。

运行方式：直接运行pycharm文件，或者终端运行：python export.py

注意：

如果下载了其他的yolov5，除了修改上述的内容，还需要修改export.py的其他内容如下：

1.修改export_saved_model函数和run函数里面的一些参数，基本上模型参数，比如置信度等；

2.修改parse_opt函数里面的一些参数，常见修改如下：

  （1）'--weights'：后面需要修改为我们生成的pt文件的路径（可以是相对路径或者绝对路径），如我将要转换的模型yolov5s.pt，用相对路径修改后如下：

parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')

 （2）'--include'：后面修改为“onnx",y因为我们要转换为onnx型。转换后如下：

parser.add_argument(
        '--include',
        nargs='+',
        default=['onnx'],#'torchscript'
        help='torchscript, onnx, openvino, engine, coreml, saved_model, pb, tflite, edgetpu, tfjs, paddle')

（3）也可以修改'--iou-thres'和'--conf-thres'参数，该参数是yolov5的置信度，会影响模型最终检测的精度，但不会影响pt文件转换为onnx文件的成功与否。其他的大家可以根据需要进行修改，前面的修改后，Pt文件就可以成功转换为onnx文件了。

二、onnx文件转换为rknn文件

       第一步将pt文件转换为了onnx文件，这里开始将onnx文件转换为rknn文件，这步转换我们需要搭建ubuntu20.04的虚拟环境，然后在ubuntu20.04的虚拟环境下转换（我开始用的ubuntu18.04的虚拟环境，但转换失败，所以大家还是乖乖的用ubuntu20.04吧）

1.搭建ubuntu20.04环境（这里不作具体介绍）

        大家去官网下载ubuntu-20.04.6-desktop-amd64.iso文件即可，下载后，需要下载VMware-workstation-full-17.0.0-20800274.exe，大家可以去百度网盘下载，链接如下：https://pan.baidu.com/s/1UHU9ZiCNpqUbazdg0NW7sQ 提取码：rpff

      之后具体的安装可以参照如下网址：【Ubuntu 20.04 虚拟机安装教程详解】_ubuntu20 虚拟机_千北@的博客-CSDN博客

2.安装Anaconda3

       第1步安装好ubuntu20.04环境后，我们首先要安装Anaconda3，具体安装步骤如下：

（1）下载Anaconda3-2021.11-Linux-x86_64.sh文件，可以进入百度网盘下载，下载路径如下：

链接：https://pan.baidu.com/s/1egRszYlWcpwhmt3-VEH3lA 提取码：bg0c

（2）加入下载后将该文件放在了public文件夹下面，然后我们进入该文件夹打开终端，如下图所示：

         然后在终端输入su进入根目录，在根目录下运行bash Anaconda3-2021.11-Linux-x86_64.sh即可，运行完后关闭终端，然后再次打开终端，终端运行conda-env list看是否安装好了Anaconda3。

3.rknn-toolkit2文件的搭建

   第2步搭建好了Anaconda3，我们接下来就可以搭建rknn-toolkit2文件了，具体步骤如下：

（1）下载rknn-toolkit2文件，可以通过百度网盘下载，下载路径如下：

链接：https://pan.baidu.com/s/1QzyAG23WMMjmOLDW3J8ZGA 提取码：vs3c，下载后将该文件放在你要放的文件夹下面，我放在了home/下面。

新建一个rknn环境如下(这里一定是python3.8，其他版本容易转换出错)：

conda create -n rknn python=3.8

然后激活该环境

conda activate rknn

进入home/rknn-toolkit2-master/doc/路径，该路径有一个requirements_cp38-1.5.2.txt文件，然后终端运行代码：

pip install -r requirements_cp38-1.5.2.txt -i https://mirror.baidu.com/pypi/simple

返回上一级目录，然后进入packages目录，安装rknn_toolkit2

pip install rknn_toolkit2-1.5.2+b642f30c-cp38-cp38-linux_x86_64.whl

完成后，输入命令 python

from rknn.api import RKNN

运行以上命令，若不报错，则说明已经成功安装了rknn-toolkit2，然后退出python,如下图：

        把yolov5生成的onnx文件放到examples/onnx/yolov5文件夹下，然后终端进入该文件夹，再打开该文件夹的test.py文件，对里面的内容进行修改，具体修改如下：

       上图的第11行是我们要转换的onnx文件的路径（相对路径或者绝对路径都可以）。

       第12行是转换后的rknn文件的路径及文件名称。

       第13行是我们要检测的图片的路径，第14行是数据的路径，第22行是我们的要检测的目标名称。这里用了官方的pt文件，所以写了80个类，后面可以根据我们要检测的实际的类进行修改。

       然后再对第241行的target_platform修改为rk3588（因为我是要将该模型放在rk3588系统里），如果写成其他，转换后的rknn放到rk3588系统会报错。

      最后运行test.py文件即可，成功后在该文件夹下会生成对应的rknn文件。注意：一般转移这个文件需要解除权限。我们在终端运行以下代码解除文件权限即可。

chmod -R 777 文件名

至此，我们的onnx转换为rknn文件完毕！

接下来是将rknn文件部署在rk3588系统里。

三、rk3588部署rknn文件

在第二步生成rknn文件后，接下来是如何部署在rk3588系统里，具体步骤如下：

首先在rk3588系统的ubuntu20.04环境下运行

git clone https://github.com/rockchip-linux/rknpu2.git

然后进入yolov5目录运行

cd /home/ptay/rknpu2-master/examples/rknn_yolov5_demo

再修改include文件中的头文件postprocess.h

#define OBJ_CLASS_NUM     2  #这里的数字修改为数据集的类的个数

修改model目录下的coco_80_labels_list.txt文件，改为自己的类并保存(比如我要检测的类为person,moto)

person
moto

将我们在ubuntu20.04虚拟环境下转换后的rknn文件放在rknpu2/examples/rknn_yolov5_demo/model/RK3588/目录下，然后终端切换到rknpu2/examples/rknn_yolov5_demo/运行以下代码：

bash ./build-linux_RK3588.sh

然后会在该文件下生成install目录（更新该文件夹即可看到include文件夹）.

cd install/rknn_yolov5_demo_linux

在model目录下放入需要推理的图片

运行

./rknn_yolov5_demo ./model/RK3588/best.rknn ./model/bus.jpg

运行后即可获得需要的结果。

当然，最后一步可以通过python运行，如果用python 运行，我们需要写一个demo.py文件如下：

import cv2
import subprocess
 
p = subprocess.Popen(['./rknn_yolov5_demo', './model/RK3588/best.rknn', './model/bus.jpg'])
p.wait()
picDetected = cv2.imread('out.jpg')
# cv2.imshow("ss",picDetected)
# cv2.waitKey(0)

然后在该文件夹运行

python demo.py

       在同级文件夹下会生成一个out.jpg图片，该图片就是用rknn模型检测的图片结果。到这里，我们就完成了从pt文件到rk3588的模型部署了。

   完成以上环境部署后，后面多个模型时，可以根据实际情况进行嵌套检测，就简单了。