K510端的Yolov5部署（3）

已于 2024-09-24 18:00:04 修改
阅读量486 收藏 10
点赞数 4
文章标签： YOLO 嵌入式硬件 学习
于 2024-08-30 14:24:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2302_79261215/article/details/141675383
版权

.onnx文件转.kmodel文件

工作环境：Ubuntu20.04
本文的关键是将上一文章中的best-sim.onnx文件利用*gen_yolov5s_320_with_sigmoid_bf16_with_preprocess_output_nhwc.py*转换为能够在k510上运行的代码。
该操作对版本的依赖程度很高，所以我在python的虚拟环境下进行，python的版本为3.7.16.

python -m venv <虚拟环境名称>

这样就搭建起了自己的虚拟环境，之后再去激活。

source <虚拟环境名称>/bin/activate

运行gen_yolov5s_320_with_sigmoid_bf16_with_preprocess_output_nhwc.py
在存放该文件的文件夹内打卡运行终端，输入以下代码

python3
最低0.47元/天 解锁文章
神经网络：训练模型+转化为k210上跑的kmodel
weixin_55504804的博客
07-10 1万+
深度学习（1）：训练模型+转化为k210上跑的kmodel
K510端的Yolov5部署（1）
2302_79261215的博客
08-11 697
最后在yolov5-6.0\data目录下创建一个新的data.yaml文件，打开这个文件去指定需要训练的训练数据集和验证数据集，以及我们的类别数和类别名称，（标签混乱的问题也可能是这里的代码顺序写错了，但是我没有改这个地方的顺序，之后如果再次遇到这个问题可以考虑一下）。因为我是直接使用开源的数据集，里面的标注文件是.xml格式，而yolov5训练时的标注文件必须得是.txt文件，所有我还需要写脚本更改文件的格式。参数的值改为上一步在yolov5-6.0\models目录下我们创建yaml文件的名称，
嵌入式AI快速入门课程-K510篇 (第六篇 目标检测模型部署篇)
韦东山嵌入式专栏
08-21 1195
1.准备数据集2.数据预处理（可选）数据集成是将来自多个不同源的数据通过一定的思维逻辑或物理逻辑集成到一个统一的数据集合中。数据转换是将数据从一种表示形式变为另一种表现形式的过程。即将数据类型转换/数据语义转换数据粒度转换等。数据清洗是对一些没有用的数据进行处理的过程。很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要使数据分析更加准确，就需要对这些没有用的数据进行处理。数据降维是一种维度缩减技术，指在某些限定条件下，降低随机变量个数，得到一组“不相关”主变量的过程。
嵌入式AI快速入门课程-K510篇 (第三篇 环境搭建及开发板操作)
韦东山嵌入式专栏
08-21 1145
​ DongshanPI-Vision开发板是围绕着嘉楠 勘智K510芯片构建的，采用64位双核RISC-V架构 ，主频为：800MHz，支持双精度FPU扩展。采用64位DSP扩展，主频为：800MHz。芯片内置通用神经网络引擎KPU，拥有2.5TFLOPS BF16/2.5TOPS INT8算力，支持TensorFlow、PyTorch、ONNX等多种框架的算子库。特征描述处理器嘉楠 勘智K510内存存储4GB EMMCWIFI/蓝牙天线：2.4GHz视频输出。
K510端的Yolov5部署（2）
2302_79261215的博客
08-14 717
在完成了上篇文章中的操作后，操作终端的结尾会出现运行的存放地址，根据这些地址打开生成的文件夹，查看自己的数据集训练是否成功，之后就可以对先去准备的验证集进行操作。若训练后的模型仍不满意，可以打开train.py文件，将.pt文件修改为训练生成的best.pt文件，再次在py37_yolov5环境中运行train.py文件，这时就会根据之前训练的结果继续接着训练。训练满意后要进行对模型的验证，需要打开val.py文件，这个文件和train.py的文件相同，只需要修改其中。
K510跑 yolov8
03-08
### K510 设备上运行 YOLOv8 进行目标检测 为了在 K510 设备上成功运行 YOLOv8 模型并执行目标检测任务，需遵循一系列特定的操作流程。这些操作不仅涉及环境准备还涵盖了模型转换以及最终的应用部署。 #### 准备 ...
咸鱼K210体验笔记—模型训练
热门推荐
咸鱼菌
04-07 1万+
咸鱼K210体验笔记—模型训练 此教程可以完整的在Win完成：制作数据集、训练yolo、转换成k210可用的Kmodel文件 模型训练 安装anaconda3 环境：Windows64官方地址 安装时记得勾选 【Add Anaconda3 to the PATH environment variable】 2# 下载工具 下载此工程，在工程根目录下将[train_ann.zip]和[trai...
yoloV5模型训练教程并进行量化
左手coding，右手cooking
06-11 8008
yoloV5模型训练教程 数据标注 数据标注我们要用labelimg pip install labelimg 百度爬虫爬取图像 import os import re import sys import urllib import json import socket import urllib.request import urllib.parse import urllib.error # 设置超时 from random import randint import time timeout =
了解CV和RoboMaster视觉组（四）视觉组使用的硬件
HNU跃鹿战队的博客
10-06 1万+
4.视觉组接触的硬件 虽然别人总觉得视觉组就是整天对着屏幕臭敲代码的程序员，实际上我们也会接触很多的底层硬件与传感器，在使用硬件的同时很可能还需要综合运用其他学科的知识。 4.1.相机 相机是机器人的眼睛。和人眼的成像原理一样，相机通过镜头汇聚光束使他们聚集在一块半导体感光元件上（相当于视网膜）从而产生可供读取的数据。随后图像随着数据线传如miniPC等运算平台（视网膜刺激视神经传到神经冲动到大脑）。时下的感光单元主要分为两种：CMOS和CCD。电类的工科生或是摄影爱好者对此应该不会感到陌生。
【计算机视觉】论文精读《基于改进YOLOv3的火灾检测与识别》
weixin_43988131的博客
05-17 627
论文精读《基于改进YOLOv3的火灾检测与识别》
咖啡叶子病害检测数据集VOC+YOLO格式1468张4类别均为单叶子
FL1623863129的博客
05-17 383
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Cercospora","Miner","Phoma","Rust"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：1468。标注数量(txt文件个数)：1468。
开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码
kngines
05-17 155
开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码
YOLOv7训练时4个类别只出2个类别
qq_48873240的博客
05-16 778
在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。
基于YOLOv8-OBB的旋转目标检测：从数据制作到自动标注完整指南
fakerth的博客
05-18 311
本文介绍了如何使用 YOLOv8-OBB 进行旋转目标检测的完整流程。首先，针对传统水平边界框（HBB）在旋转目标检测中的不足，提出了旋转边界框（OBB）的概念。接着，详细阐述了数据集的制作与准备、模型的训练与预测、旋转框的裁剪与摆正以及基于模型的自动标注技术。在数据集制作部分，提供了目录结构示例；在训练部分，给出了代码示例和参数说明；在预测部分，展示了如何裁剪和摆正旋转框；最后，介绍了如何将模型预测的 OBB 转换为 VOC 格式的 XML 文件，以便于后续使用。
【YOLO 系列】基于YOLO的道路坑洞检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
05-15 757
本文介绍了一种基于YOLO模型的道路坑洞检测系统，旨在提高道路维护的效率和安全性。系统采用Pyqt5库搭建用户界面，支持图片、视频和摄像头的检测，并能保存检测结果。通过本项目，期望为道路维护和管理提供技术支持，推动智能交通和城市管理的智能化升级。
玩转YOLOv10 多尺度多通道特征图
qq_48873240的博客
05-18 138
在YOLOv10的AutoBackend类的forward函数中，用户通过添加自定义代码实现了特征图的保存和可视化功能。具体包括三个部分：1）通过设置activate_state=1，可以保存特征图的激活情况，并计算不同通道的平均值；2）通过设置save_feature_map=1，可以保存多尺度（80x80、40x40、20x20）的特征图，并将其保存为图片文件；3）通过设置big_feature_map=1，可以将不同尺度的特征图拼接为一张长图，并保存为高分辨率图片。
YOLO V3目标检测模型
jdjhcn的博客
05-17 779
YOLO v3 通过多尺度检测（利用 FPN 结构在 13×13、26×26、52×52 三个特征图上分别检测大、中、小目标，每个尺度 3 种锚框共 9 种）、更强的 Darknet-53 骨干网络（53 层卷积 + 残差连接）、多标签分类（二元逻辑回归替代 softmax）、灵活输入尺寸（默认 416×416）以及优化的损失函数（边界框回归用 MSE，类别和置信度用二元交叉熵），显著提升了多尺度目标检测能力，在 COCO 数据集上 mAP@0.5 达 57.9%，兼顾精度与实时性（22ms / 帧，30
深度剖析：YOLOv8融入UNetv2 SDI模块的性能提升之旅
最新发布
shrgegrb的博客
05-18 1004
目标检测和分割是计算机视觉领域的核心任务，而YOLO系列作为目标检测领域的重要分支，以其高效和快速的特点受到了广泛关注。在YOLOv8中，尽管已经取得了显著的性能提升，但仍有进一步优化的空间。本文将探讨如何借鉴UNetv2提出的SDI多层次特征融合模块，为YOLOv8带来性能上的跃升。通过深入分析SDI模块的原理和实现，我们将展示如何将其融入YOLOv8架构中，提升分割任务的效率和准确性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值