操作指南

本仓库主要为rk3588的yolov5模型训练，以及导出onnx，进而导出rknn，从而实现部署而构建。

基于Yolov5训练

主要基于 已修改版本的yolov5仓库 进行构建，其中主要包括了将silu函数修改为relu函数。本仓库将其仓库放置在了yolov5文件夹下。

1. 下载本仓库，基于Python3.8 创建venv环境，并基于固定某些包的版本的requirements文件进行依赖安装。

cd yolov5
pip install -r requirements-py38.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 采用coco数据集或者自定义数据集进行训练，关于 data.yaml 的修改，可以查看其他资料.

• 基于coco数据集合

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                  yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16

• 基于特定数据集合

python train.py --img 640 --epochs 100 --data ds5/data.yaml --weights yolov5s.pt --batch-size 64

3. 采用训练好的pt模型进行检验测试。

python3 detect.py --source ./data/bus.jpg --weights runs/train/exp8/weights/best.pt

4. 导出模型，注意提供特定版本.

python export.py --weight runs/train/exp8/weights/best.pt --include onnx --rknpu rk3588 --img 640 --include onnx --opset 12

至此导出了可以进行rknn转换的onnx模型。

基于rknn_toolkit2 模型转换

此处基于docker镜像进行环境安装和部署[rknn_toolkit2_docker]。

三个dockerfile 环境

1. ubuntu_18_04_cp36
2. ubuntu_20_04_cp38
3. ubuntu_22_04_cp310

以ubuntu20.04 + python3.8 为例

1. 构建镜像并进入docker环境

docker build -f Dockerfile_ubuntu_20_04_for_cp38 -t rknn-tookit2:1.0.0-cp38 .  
docker images
docker run -it --rm --privileged -v /root/yolov5-rknn:/rknn-ws rknn-tookit2:1.0.0-cp38 /bin/bash

2. 进行模型转换 进入example 文件夹，同时将上一阶段训练导出的onnx拷贝到此处。本文主要在 imgsz=640 的基础上开发训练，如有不同，则需要自定义修改。

• 采用 netron 查看onnx结构。注意最后output前是否存在 sigmoid函数，会影响到后处理部分。
• 修改代码

根据代码中的注释, 修改 test.py 文件中部分代码。

• 执行转换和模拟推理。

python test.py

基于npu实现部署

因为部分操作尚未完结，等待后续补充...