yolov5转onnx模型，onnx转rknn模型部署在rk3588平台上

安装 python 等环境，以及相关依赖库，然后克隆 YOLOv5 仓库的源码。

# 安装 anaconda 参考前面环境搭建教程，然后使用 conda 命令创建环境 conda create -n yolov5 python=3.9 conda activate yolov5

# 拉取最新的 yolov5(教程测试时是 v7.0)，可以指定下版本分支

# git clone https://github.com/ultralytics/yolov5.git -b v7.0

git clone https://github.com/ultralytics/yolov5 cd yolov5

# 安装依赖库 pip install -r requirements.txt

# 进入 python 命令行，检测安装的环境

(yolov5) llh@anhao:~yolov5$ python Python 3.9.18 (main, Sep 11 2023, 13:41:44) [GCC 11.2.0] :: Anaconda, Inc. on linux

下载 yolov5s.pt，yolov5m.pt，yolov5l.pt，yolov5x.pt 权重文件，可以直接从 官网 获取。其中后面 n、s、m、l、x 表示网络的宽度和深度，最小的是 n，它速度最快、精度最低。

# 简单测试 # --source 指定测试数据，可以是图片或者视频等 # --weights 指定权重文件路径，可以是自己训练的，或者直接指定会默认拉取

(yolov5) llh@anhao:~/yolov5$ python3 detect.py --source ./data/images/ --weights yolov5s.pt

# 安装下 onnx 的环境 pip install -r requirements.txt onnx onnx-simplifier

# 指定权重文件 yolov5s.pt 或者自己训练的模型文件 best.pt，使用下面命令将导出 onnx 模型

python export.py --weights yolov5s.pt --include onnx

# 或者使用下面命令，导出 torchscript

python export.py --weights yolov5s.pt --include torchscript

使用 export.py 导出 onnx 模型：(yolov5) llh@anhao:~/yolov5$ python export.py --weights yolov5s.pt --include onnx

结果如下：到这里onnx模型就导出了

export: data=data/coco128.yaml, weights=['yolov5s.pt'], imgsz=[640, 640],␣ ,batch_size=1, device=cpu, half=False, inplace=False, keras=False, optimize=False, int8=False, per_tensor=False,␣ ,→dynamic=False, simplify=False, opset=17, verbose=False, workspace=4, nms=False, agnostic_nms=False, topk_per_ ,→class=100, topk_all=100, iou_thres=0.45, conf_thres=0.25, include=['onnx'] YOLOv5