yolov5训练部署全链路教程

1. Yolov5简介

YOLOv5 模型是 Ultralytics公司于 2020 年 6 月 9 日公开发布的。YOLOv5 模型是基于 YOLOv3 模型基础上改进而来的，有 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 四个模型。YOLOv5 相比YOLOv4 而言，在检测平均精度降低不多的基础上，具有均值权重文件更小，训练时间和推理速度更短的特点。YOLOv5 的网络结构分为输入端BackboneNeck、Head四个部分。本教程针对目标检测算法yolov5的训练和部署到EASY-EAI-Nano(RV1126)进行说明，而数据标注方法可以参考我们往期的文章《Labelimg的安装与使用》。以下为YOLOv5训练部署的大致流程：

2. 准备数据集

2.1 数据集下载

本教程以口罩检测为例，数据集的百度网盘下载链接为:

https://pan.baidu.com/s/1vtxWurn1Mqu-wJ017eaQrw 提取码：6666

解压完成后得到以下三个文件：

2.2 生成路径列表

在数据集目录下执行脚本list_dataset_file.py:

pythonlist_dataset_file.py

执行现象如下图所示:

得到训练样本列表文件train.txt和验证样本列表文件valid.txt,如下图所示：

3. 下载yolov5训练源码

通过git工具，在PC端克隆远程仓库（注：此处可能会因网络原因造成卡顿，请耐心等待）：

git clone https://github.com/EASY-EAI/yolov5.git

得到下图所示目录：

4. 训练算法模型

切换到yolov5的工作目录，接下来以训练一个口罩检测模型为例进行说明。需要修改data/mask.yaml里面的train.txt和valid.txt的路径。

执行下列脚本训练算法模型：

python train.py --data mask.yaml --cfg yolov5s.yaml --weights "" --batch-size 64

开始训练模型，如下图所示：

关于算法精度结果可以查看./runs/train/results.csv获得。

5. 在PC端进行模型预测

训练完毕后，在./runs/train/exp/weights/best.pt生成通过验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果：

python detect.py --source data/images --weights ./runs/train/exp/weights/best.pt --conf 0.5

6. pt模型转换为onnx模型

算法部署到EASY-EAI-Nano需要转换为RKNN模型,而转换RKNN之前可以把模型先转换为ONNX模型，同时会生成best.anchors.txt：

python export.py --include onnx --rknpu RV1126 --weights ./runs/train/exp/weights/best.pt

生成如下图所示：

7. 转换为rknn模型环境搭建

onnx模型需要转换为rknn模型才能在EASY-EAI-Nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。

7.1 概述

模型转换环境搭建流程如下所示：

7.2 下载模型转换工具

为了保证模型转换工具顺利运行，请下载网盘里”AI算法开发/RKNN-Toolkit模型转换工具/rknn-toolkit-v1.7.1/docker/rknn-toolkit-1.7.1-docker.tar.gz”。网盘下载链接：https://pan.baidu.com/s/1LUtU_-on7UB3kvloJlAMkA 提取码：teuc

7.3 把工具移到ubuntu18.04

把下载完成的docker镜像移到我司的虚拟机ubuntu18.04的rknn-toolkit目录,如下图所示：

7.4 运行模型转换工具环境

7.4.1 打开终端

在该目录打开终端：

7.4.2 加载docker镜像

执行以下指令加载模型转换工具docker镜像:

docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.1-docker.tar.gz

7.4.3 进入镜像bash环境

执行以下指令进入镜像bash环境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.1 /bin/bash

现象如下图所示:

7.4.4 测试环境

输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:

至此，模型转换工具环境搭建完成。

8. rknn模型转换流程介绍

EASY EAI Nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程如下图所示：

8.1 模型转换Demo下载

下载百度网盘链接：https://pan.baidu.com/s/1uAiQ6edeGIDvQ7HAm7p0jg

提取码：6666把model_convert.tar.bz2解压到虚拟机，如下图所示:

8.2 进入模型转换工具docker环境

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert:/test rknn-toolkit:1.7.1 /bin/bash

执行成功如下图所示:

8.3 模型转换操作说明

8.3.1 模型转换Demo目录结构

模型转换测试Demo由mask_object_detect和quant_dataset组成。coco_object_detect存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:

mask_object_detect文件夹存放以下内容，如下图所示:

8.3.2 生成量化图片列表

在docker环境切换到模型转换工作目录:

cd /test/mask_object_detect/

如下图所示:

执行gen_list.py生成量化图片列表:

python gen_list.py

命令行现象如下图所示:

生成“量化图片列表”如下文件夹所示:

8.3.3 onnx模型转换为rknn模型

rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：

import os import urllib import traceback import time import sys import numpy as np import cv2 from rknn.apiimport RKNN ONNX_MODEL = 'best.onnx' RKNN_MODEL = './yolov5_mask_rv1126.rknn' DATASET = './pic_path.txt' QUANTIZE_ON = True if __name__ == '__main__': # Create RKNN object rknn = RKNN(verbose=True) if not os.path.exists(ONNX_MODEL): print('model not exist') exit(-1) # pre-process config print('--> Config model') rknn.config(reorder_channel='0 1 2', mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], optimization_level=3, target_platform = 'rv1126', output_optimize=1, quantize_input_node=QUANTIZE_ON) print('done') # Load ONNX model print('--> Loading model') ret = rknn.load_onnx(model=ONNX_MODEL) if ret != 0: print('Load yolov5 failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) if ret != 0: print('Build yolov5 failed!') exit(ret) print('done') # Export RKNN model print('--> Export RKNN model') ret = rknn.export_rknn(RKNN_MODEL) if ret != 0: print('Export yolov5rknn failed!') exit(ret) print('done')

把onnx模型best.onnx放到mask_object_detect目录，并执行rknn_convert.py脚本进行模型转换：

python rknn_convert.py

生成模型如下图所示，此模型可以在rknn环境和EASY EAI Nano环境运行：

8.3.4 运行rknn模型

用yolov5_mask_test.py脚本在PC端的环境下可以运行rknn的模型，如下图所示:

yolov5_mask_test.py脚本程序清单如下所示:

import os import urllib import traceback import time import sys import numpy as np import cv2 import random from rknn.api import RKNN RKNN_MODEL = 'yolov5_mask_rv1126.rknn' IMG_PATH = './test.jpg' DATASET = './dataset.txt' BOX_THRESH = 0.25 NMS_THRESH = 0.6 IMG_SIZE = 640 CLASSES = ("head", "mask") def sigmoid(x): return 1 / (1 + np.exp(-x)) def xywh2xyxy(x): # Convert [x, y, w, h] to [x1, y1, x2, y2] y = np.copy(x) y[:, 0] = x[:, 0] - x[:, 2] / 2 # top left x y[:, 1] = x[:, 1] - x[:, 3] / 2 # top left y y[:, 2] = x[:, 0] + x[:, 2] / 2 # bottom right x y[:, 3] = x[:, 1] + x[:, 3] / 2 # bottom right y return y def process(input, mask, anchors): anchors = [anchors[i] for i in mask] grid_h, grid_w = map(int, input.shape[0:2]) box_confidence = sigmoid(input[..., 4]) box_confidence = np.expand_dims(box_confidence, axis=-1) box_class_probs = sigmoid(input[..., 5:]) box_xy = sigmoid(input[..., :2])*2 - 0.5 col = np.tile(np.arange(0, grid_w), grid_w).reshape(-1, grid_w) row = np.tile(np.arange(0, grid_h).reshape(-1, 1), grid_h) col = col.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2) row = row.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2) grid = np.concatenate((col, row), axis=-1) box_xy += grid box_xy *= int(IMG_SIZE/grid_h) box_wh = pow(sigmoid(input[..., 2:4])*2, 2) box_wh = box_wh * anchors box = np.concatenate((box_xy, box_wh), axis=-1) return box, box_confidence, box_class_probs def filter_boxes(boxes, box_confidences, box_class_probs): """Filter boxes with box threshold. It's a bit different with origin yolov5 post process! # Arguments boxes: ndarray, boxes of objects. box_confidences: ndarray, confidences of objects. box_class_probs: ndarray, class_probs of objects. # Returns boxes: ndarray, filtered boxes. classes: ndarray, classes for boxes. scores: ndarray, scores for boxes. """ box_scores = box_confidences * box_class_probs box_classes = np.argmax(box_class_probs, axis=-1) box_class_scores = np.max(box_scores, axis=-1) pos = np.where(box_confidences[...,0] >= BOX_THRESH) boxes = boxes[pos] classes = box_classes[pos] scores = box_class_scores[pos] return boxes, classes, scores def nms_boxes(boxes, scores): """Suppress non-maximal boxes. # Arguments boxes: ndarray, boxes of objects. scores: ndarray, scores of objects. # Returns keep: ndarray, index of effective boxes. """ x = boxes[:, 0] y = boxes[:, 1] w = boxes[:, 2] - boxes[:, 0] h = boxes[:, 3] - boxes[:, 1] areas = w * h order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x[i], x[order[1:]]) yy1 = np.maximum(y[i], y[order[1:]]) xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]]) yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]]) w1 = np.maximum(0.0, xx2 - xx1 + 0.00001) h1 = np.maximum(0.0, yy2 - yy1 + 0.00001) inter = w1 * h1 ovr= inter / (areas[i] + areas[order[1:]] - inter) inds = np.where(ovr <= NMS_THRESH)[0] order = order[inds + 1] keep = np.array(keep) return keep def yolov5_post_process(input_data): masks = [[0, 1, 2], [3, 4, 5], [6, 7, 8]] anchors = [[10, 13], [16, 30], [33, 23], [30, 61], [62, 45], [59, 119], [116, 90], [156, 198], [373, 326]] boxes, classes, scores = [], [], [] for input,mask in zip(input_data, masks): b, c, s = process(input, mask, anchors) b, c, s = filter_boxes(b, c, s) boxes.append(b) classes.append(c) scores.append(s) boxes = np.concatenate(boxes) boxes = xywh2xyxy(boxes) classes = np.concatenate(classes) scores = np.concatenate(scores) nboxes, nclasses, nscores = [], [], [] for c in set(classes): inds = np.where(classes == c) b = boxes[inds] c = classes[inds] s = scores[inds] keep = nms_boxes(b, s) nboxes.append(b[keep]) nclasses.append(c[keep]) nscores.append(s[keep]) if not nclasses and not nscores: return None, None, None boxes = np.concatenate(nboxes) classes = np.concatenate(nclasses) scores = np.concatenate(nscores) return boxes, classes, scores def scale_coords(x1, y1, x2, y2, dst_width, dst_height): dst_top, dst_left, dst_right, dst_bottom = 0, 0, 0, 0 gain = 0 if dst_width > dst_height: image_max_len = dst_width gain = IMG_SIZE / image_max_len resized_height = dst_height * gain height_pading = (IMG_SIZE - resized_height)/2 print("height_pading:", height_pading) y1 = (y1 - height_pading) y2 = (y2 - height_pading) print("gain:", gain) dst_x1 = int(x1 / gain) dst_y1 = int(y1 / gain) dst_x2 = int(x2 / gain) dst_y2 = int(y2 / gain) return dst_x1, dst_y1, dst_x2, dst_y2 def plot_one_box(x, img, color=None, label=None, line_thickness=None): tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1 # line/font thickness color = color or [random.randint(0, 255) for _ in range(3)] c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3])) cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA) if label:tf= max(tl - 1, 1) # font thickness t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0] c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3 cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA) # filled cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA) def draw(image, boxes, scores, classes): """Draw the boxes on the image. # Argument: image: original image. boxes: ndarray, boxes of objects. classes: ndarray, classes of objects. scores: ndarray, scores of objects. all_classes: all classes name. """ for box, score, cl in zip(boxes, scores, classes): x1, y1, x2, y2 = box print('class: {}, score: {}'.format(CLASSES[cl], score)) print('box coordinate x1,y1,x2,y2: [{}, {}, {}, {}]'.format(x1, y1, x2, y2)) x1 = int(x1) y1 = int(y1) x2 = int(x2) y2 = int(y2) dst_x1, dst_y1, dst_x2, dst_y2 = scale_coords(x1, y1, x2, y2, image.shape[1], image.shape[0]) #print("img.cols:", image.cols) plot_one_box((dst_x1, dst_y1, dst_x2, dst_y2), image, label='{0} {1:.2f}'.format(CLASSES[cl], score)) ''' cv2.rectangle(image, (dst_x1, dst_y1), (dst_x2, dst_y2), (255, 0, 0), 2) cv2.putText(image, '{0} {1:.2f}'.format(CLASSES[cl], score), (dst_x1, dst_y1 - 6), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) ''' def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)): # Resize and pad image while meeting stride-multiple constraints shape = im.shape[:2] # current shape [height, width] if isinstance(new_shape, int): new_shape = (new_shape, new_shape) # Scale ratio (new / old) r = min(new_shape[0] / shape[0], new_shape[1] / shape[1]) # Compute padding ratio = r, r # width, height ratios new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r)) dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding dw /= 2 # divide padding into 2 sides dh /= 2 if shape[::-1] != new_unpad: # resize im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR) top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1)) left, right = int(round(dw - 0.1)), int(round(dw + 0.1)) im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add border return im, ratio, (dw, dh) if __name__ == '__main__': # Create RKNN object rknn = RKNN(verbose=True) print('--> Loading model') ret = rknn.load_rknn(RKNN_MODEL) if ret != 0: print('load rknn model failed') exit(ret) print('done') # init runtime environment print('--> Init runtime environment') ret = rknn.init_runtime() # ret = rknn.init_runtime('rv1126', device_id='1126') if ret != 0: print('Init runtime environment failed') exit(ret) print('done') # Set inputs img = cv2.imread(IMG_PATH) letter_img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE)) letter_img = cv2.cvtColor(letter_img, cv2.COLOR_BGR2RGB) # Inference print('--> Running model') outputs = rknn.inference(inputs=[letter_img]) print('--> inference done') # post process input0_data = outputs[0] input1_data = outputs[1] input2_data = outputs[2] input0_data = input0_data.reshape([3,-1]+list(input0_data.shape[-2:])) input1_data = input1_data.reshape([3,-1]+list(input1_data.shape[-2:])) input2_data = input2_data.reshape([3,-1]+list(input2_data.shape[-2:])) input_data = list() input_data.append(np.transpose(input0_data, (2, 3, 0, 1))) input_data.append(np.transpose(input1_data, (2, 3, 0, 1))) input_data.append(np.transpose(input2_data, (2, 3, 0, 1))) print('--> transpose done') boxes, classes, scores = yolov5_post_process(input_data) print('--> get result done') #img_1 = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) if boxes is not None: draw(img, boxes, scores, classes) cv2.imwrite('./result.jpg', img) #cv2.imshow("post process result", img_1) #cv2.waitKeyEx(0) rknn.release()

执行后得到result.jpg如下图所示:

8.3.5 模型预编译

由于rknn模型用NPU API在EASY EAI Nano加载的时候启动速度会好慢，在评估完模型精度没问题的情况下，建议进行模型预编译。预编译的时候需要通过EASY EAI Nano主板的环境，所以请务必接上adb口与ubuntu保证稳定连接。板子端接线如下图所示，拨码开关需要是adb：

虚拟机要保证接上adb设备：

由于在虚拟机里ubuntu环境与docker环境对adb设备资源是竞争关系，所以需要关掉ubuntu环境下的adb服务，且在docker里面通过apt-get安装adb软件包。以下指令在ubuntu环境与docker环境里各自执行：

在docker环境里执行adb devices,现象如下图所示则设备连接成功：

运行precompile_rknn.py脚本把模型执行预编译：

python precompile_rknn.py

执行效果如下图所示，生成预编译模型yolov5_mask_rv1126_pre.rknn：

至此预编译部署完成，模型转换步骤已全部完成。生成如下预编译后的int8量化模型：

9. 模型部署示例

9.1 模型部署示例介绍

本小节展示yolov5模型的在EASY EAI Nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。

9.2 准备工作

9.2.1硬件准备

EASY EAI Nano开发板，microUSB数据线，带linux操作系统的电脑。需保证EASY EAI Nano与linux系统保持adb连接。

9.2.2 交叉编译环境准备

本示例需要交叉编译环境的支持，可以参考在线文档“入门指南/开发环境准备/安装交叉编译工具链”。链接为:https://www.easy-eai.com/document_details/3/135。

9.2.3 文件下载

下载yolov5 C Demo示例文件。百度网盘链接:https://pan.baidu.com/s/1XmxU9Putp_qSYTSQPqxMDQ提取码：6666下载解压后如下图所示:

9.3 在EASY EAI Nano运行yolov5 demo

9.3.1 解压yolov5 demo

下载程序包移至ubuntu环境后，执行以下指令解压：

tar -xvf yolov5_detect_C_demo.tar.bz2

9.3.2 编译yolov5 demo

执行以下脚本编译demo：

./build.sh

编译成功后如下图所示:

9.3.3 执行yolov5 demo

执行以下指令把可执行程序推送到开发板端：

adb push yolov5_detect_demo_release/ /userdata

登录到开发板执行程序:

adb shell

执行结果如下图所示，算法执行时间为50ms:

取回测试图片:

adb pull /userdata/yolov5_detect_demo_release/result.jpg .

测试结果如下图所示:

10. 基于摄像头的AI Demo

10.1 摄像头Demo介绍

本小节展示yolov5模型的在EASY EAI Nano执行摄像头Demo的过程，该模型仅经过简单训练供示例使用，不保证模型精度。

10.2 准备工作

10.2.1 硬件准备

EASY-EAI-Nano人工智能开发套件(包括:EASY EAI Nano开发板，双目摄像头，5寸高清屏幕，microUSB数据线），带linux操作系统的电脑,。需保证EASY EAI Nano与linux系统保持adb连接。

10.2.2 交叉编译环境准备

本示例需要交叉编译环境的支持，可以参考在线文档“入门指南/开发环境准备/安装交叉编译工具链”。链接为:https://www.easy-eai.com/document_details/3/135。

10.2.3 文件下载

摄像头识别Demo的程序源码可以通过百度网盘下载：

https://pan.baidu.com/s/18cAp4yT_LhDZ5XAHG-L1lw（提取码：6666 ）。下载解压后如下图所示:

10.3 在EASY EAI Nano运行yolov5 demo

10.3.1 解压yolov5 camera demo

下载程序包移至ubuntu环境后，执行以下指令解压：

tar -xvf yolov5_detect_camera_demo.tar.tar.bz2

10.3.2 编译yolov5 camera demo

执行以下脚本编译demo：

./build.sh

编译成功后如下图所示:

10.3.3 执行yolov5 camera demo

执行以下指令把可执行程序推送到开发板端：

adb push yolov5_detect_camera_demo_release/ /userdata

登录到开发板执行程序:

adb shell

测试结果如下图所示:

11.资料下载

资料名称	链接
训练代码github	https://github.com/EASY-EAI/yolov5
算法教程完整源码包	https://pan.baidu.com/s/1-78z8joPYOaGEVFg0I_WZA 提取码：6666
硬件外设库源码github	https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-SDK

12. 硬件使用

本教程使用的是EASY EAI nano（RV1126）开发板EASY EAI Nano是基于瑞芯微RV1126处理器设计，具有四核CPU@1.5GHz与NPU@2Tops AI边缘计算能力。实现AI运算的功耗不及所需GPU的10%。配套AI算法工具完善，支持Tensorflow、Pytorch、Caffe、MxNet、DarkNet、ONNX等主流AI框架直接转换和部署。有丰富的软硬件开发资料，而且外设资源丰富，接口齐全，还有丰富的功能配件可供选择。集成有以太网、Wi-Fi等通信外设。摄像头、显示屏（带电容触摸）、喇叭、麦克风等交互外设。2 路 USB Host 接口、1 路 USB Device 调试接口。集成协议串口、TF 卡、IO 拓展接口（兼容树莓派/Jetson nano拓展接口）等通用外设。内置人脸识别、安全帽监测、人体骨骼点识别、火焰检测、车辆检测等各类 AI 算法，并提供完整的 Linux 开发包供客户二次开发。

EASY-EAI-Nano产品在线文档：

https://www.easy-eai.com/document_details/3/143

本篇文章到这里就结束啦，关于我们更多请前往官网了解

https://www.easy-eai.com

后续更多教程关注我们，不定时更新各种新品及活动