发布时间：2023-04-19 文章分类：电脑基础投稿人：樱花字号：默认 | 大 | 超大打印

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:

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.api import 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

标签 Python, 教程, 部署

yolov5训练部署全链路教程

1. Yolov5简介

2. 准备数据集

2.1 数据集下载

2.2 生成路径列表

3. 下载yolov5训练源码

4. 训练算法模型

5. 在PC端进行模型预测

6. pt模型转换为onnx模型

7. 转换为rknn模型环境搭建

7.1 概述

7.2 下载模型转换工具

7.3 把工具移到ubuntu18.04

7.4 运行模型转换工具环境

8. rknn模型转换流程介绍

8.1 模型转换Demo下载

8.2 进入模型转换工具docker环境

8.3 模型转换操作说明

9. 模型部署示例

9.1 模型部署示例介绍

9.2 准备工作

9.3 在EASY EAI Nano运行yolov5 demo

10. 基于摄像头的AI Demo

10.1 摄像头Demo介绍

10.2 准备工作

10.2.1 硬件准备

10.2.2 交叉编译环境准备

10.2.3 文件下载

10.3 在EASY EAI Nano运行yolov5 demo

10.3.1 解压yolov5 camera demo

10.3.2 编译yolov5 camera demo

10.3.3 执行yolov5 camera demo

11. 资料下载

12. 硬件使用