github仓库

所需：

安装了Ubuntu20系统的RK3588安装了Ubuntu18的电脑或者虚拟机 一、yolov5 PT模型获取

Anaconda教程

YOLOv5教程

经过上面两个教程之后，你应该获取了自己的best.pt文件

二、PT模型转onnx模型

将models/yolo.py文件中的class类下的forward函数由：

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)

改为：

def forward(self, x):

z = [] # inference output

for i in range(self.nl):

x[i] = self.m[i](x[i]) # conv

return x

将export.py文件中的run函数下的语句：

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

改为：

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

将你训练模型对应的run/train/目录下的exp/weighst/best.pt文件移动至与export.py同目录下保证工作目录位于yolov5主文件夹,在控制台执行语句：

cd yolov5

python export.py --weights best.pt --img 640 --batch 1 --include onnx --opset 12

然后在主文件夹下出现了一个best.onnx文件，在Netron中查看模型是否正确点击左上角菜单->Properties…查看右侧OUTPUTS是否出现三个输出节点，是则ONNX模型转换成功。如果转换好的best.onnx模型不是三个输出节点，则不用尝试下一步，会各种报错。 三、onnx模型转rknn模型

我使用的是VMWare虚拟机安装的Ubuntu18.04系统，注意，不是在RK3588上，是在你的电脑或者虚拟机上操作这一步骤。

rknn-toolkit2-1.4.0所需python版本为3.6所以需要安装Miniconda来帮助管理。

安装Miniconda for Linux

进入到下载得到的Miniconda3-latest-Linux-x86_64.sh所在目录

chmod +x Miniconda3-latest-Linux-x86_64.sh

./Miniconda3-latest-Linux-x86_64.sh

提示什么都一直同意，直到安装完毕。安装成功后，重新打开终端。如果安装成功，终端最前面应该会有一个(base)安装失败的去参考别的Miniconda3安装教程。创建虚拟环境:

conda create -n rknn3.6 python=3.6

激活虚拟环境:

conda activate rknn3.6

激活成功时，终端最前面应该会有一个(rknn3.6)

下载rknn-toolkit2-1.4.0

到Ubuntu,下载源代码下的RK356X/RK3588 RKNN SDK进入百度网盘：RKNN_SDK-> RK_NPU_SDK_1.4.0 下载 rknn-toolkit2-1.4.0下载到Ubuntu后，进入rknn-toolkit2-1.4.0目录

pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl

等待安装完毕检查是否安装成功：

python

from rknn.api import RKNN

如果没有报错则成功。如果报错：

1.是否处于rknn3.6虚拟环境下；2.pip install packages/rknn_toolkit2-1.4.0_22dcfef4-cp36-cp36m-linux_x86_64.whl是否报错;3.pip install报错的时候，提示缺什么就用pip install或者sudo apt-get install安装什么;

上述所需都安装并且验证成功，则开始下一步。

将best.onnx模型转换为best.rknn模型

进入转换目录：

cd examples/onnx/yolov5

最好是复制一份test.py出来进行修改：

cp test.py ./mytest.py

将一开始定义的文件进行修改,这是我修改之后的：

ONNX_MODEL = 'best.onnx' #待转换的onnx模型

RKNN_MODEL = 'best.rknn' #转换后的rknn模型

IMG_PATH = './1.jpg' #用于测试图片

DATASET = './dataset.txt' #用于测试的数据集，内容为多个测试图片的名字

QUANTIZE_ON = True #不修改

OBJ_THRESH = 0.25 #不修改

NMS_THRESH = 0.45 #不修改

IMG_SIZE = 640 #不修改

CLASSES = ("person") #修改为你所训练的模型所含的标签

将if __name__ == '__main__':中的语句：

rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]])

修改为

rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform='rk3588')

想要程序执行完，展示推理效果，将以下语句：

# cv2.imshow("post process result", img_1)

# cv2.waitKey(0)

# cv2.destroyAllWindows()

注释打开：

cv2.imshow("post process result", img_1)

cv2.waitKey(0)

cv2.destroyAllWindows()

终端执行：

python mytest.py

运行完展示效果，以及文件夹中出现best.rknn则该步骤成功。 四、在RKNN3588上部署rknn模型并实时摄像头推理检测

在RKNN3588的Ubuntu20系统上安装Miniconda，需要注意的是，RKNN3588的Ubuntu20系统为aarch架构因此下载的Miniconda版本和之前有所不同，需要选择对应的aarch版本。aarchMiniconda下载安装不再赘述。创建虚拟环境,因为在RK3588上要用到rknn-toolkit-lite2所以需要安装python3.7:

conda create -n rknnlite3.7 python=3.7conda activate rknnlite3.7 下载rknn-toolkit-lite2到RK3588，也就是下载rknn-toolkit2-1.4.0，不再赘述。安装rknn-toolkit-lite2

进入rknn-toolkit2-1.4.0/rknn-toolkit-lite2目录

pip install packages/rknn_toolkit_lite2-1.4.0-cp37-cp37m-linux_aarch64.whl

等待安装完毕测试是否安装成功：

python

from rknnlite.api import RKNNLite

不报错则成功 在example文件夹下新建一个test文件夹在其中放入你转换成功的best.rknn模型以及文章开头github仓库下的detect.py文件detect.py文件中需要修改的地方：

定义

RKNN_MODEL = 'best.rknn' #你的模型名称

IMG_PATH = './1.jpg' #测试图片名

CLASSES = ("cap") #标签名

if __name__ == '__main__'::

capture = cv2.VideoCapture(11) #其中的数字为你Webcam的设备编号

关于设备编号，在终端中运行：

v4l2-ctl --list-devices

打印出的Cam之类的字眼对应的/dev/video11中的11就是你的设备编号。 运行脚本：

python detect.py

部署完成。