瑞芯微RK3399Pro平台YOLOv4 pytorch模型转RKNN模型失败

最新推荐文章于 2024-09-09 18:16:41 发布
最新推荐文章于 2024-09-09 18:16:41 发布
阅读量1.5k 收藏 3
点赞数
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/dao_0123/article/details/117518698
版权

报错：The following operators are not implemented: [‘aten::detach’, ‘aten::to’, ‘aten::floor’, 'aten::softplus]
解决办法：将rknn-toolkit 升级到V1.6.1
rknn-toolkit V1.6.1 支持的算子链接

ss_go
关注
RK3399pro 使用rknn 问题记录
weixin_36588212的博客
11-13 1614
RK3399pro 使用rknn 问题记录 日期：2020-11-13 问题1：RK3399pro使用python3读取USB摄像头数据问题 基于RK3399pro使用官方fadora系统时候，因为系统配置了MIPI摄像机接口，所以 /dev/video0~video7 接口都被占用了，接入罗技USB摄像头时，自动加载为/dev/video8和video9 然而使用python3+opencv中，cv2.VideoCaptrue()，无法读取摄像头数据，会出现无图像数据的错误。 所以选择使用 [pyth
Yolov4-tiny Yolov4的神经网络模型文件
11-14
主要是Yolov4-tiny Yolov4的神经网络模型文件，可以直接调用，主要运用在物体识别、目标识别跟踪、人脸识别、无人机等应用领域。
【Caffe学习二】基于ROC-RK3399-PC/Ubuntu18.04的YOLOv3-caffe for Object Detection
My Blogs
07-18 1497
一. 在Ubuntu18.04上安装Caffe (参考链接：http://caffe.berkeleyvision.org/install_apt.html) :~$sudo apt install caffe-cpu # 默认的Python3版本 测试安装结果，输入以下命令： ...
yolov5-6.2 在 rk3399pro 上的移植
最新发布
zhaotun123的博客
09-09 953
yolov5-6.2 在 rk3399pro 上的移植
瑞芯微 TB-RK3399Pro --基于YOLOv4的销钉缺陷检测（Detection of Pin Defects）
dao_0123的博客
06-03 2372
销钉缺陷检测(Defect-Detection Method of Pins) 电力金具上销钉松动、缺失等常见缺陷严重影响着电力系统的稳定运行， 而该类缺陷的检测方式主要依赖于人工标注，致使效率低下。电力金具作为架空输电线路不可缺少的一部分，在电力系统中负责地线与杆塔、输电导线与绝缘子、杆塔与绝缘子等电力部件的连接，对系统的安全稳定运行起着重要作用。然而由于多数电力金具除了要在环境恶劣的户外工作，还要长期承受外部机械负荷张力和电力系统内部的电力负荷的作用，使得金具上的销钉容易出现缺失或者松动等缺陷，影响电网
rk3399ubuntu18.04 pytorch环境搭建
s768405490的博客
04-20 1360
添加链接描述
YOLOv5算法移植部署RK3399Pro开发板及pytorch模型转ONNX转RKNN(带说明文档).zip
10-18
YOLOv5算法移植部署RK3399Pro开发板及pytorch模型转ONNX转RKNN(带说明文档).zipYOLOv5算法移植部署RK3399Pro开发板及pytorch模型转ONNX转RKNN(带说明文档).zip YOLOv5算法移植部署RK3399Pro开发板及pytorch模型转...
yolov8模型转rknn的fp16模型代码
09-26
本文将详细介绍如何将YOLOv8模型转换为适用于嵌入式平台的RKNN（Rockchip Neural Network）的FP16模型。 首先，理解FP16是一种半精度浮点数格式，相比于常见的FP32（单精度），其数据宽度减半，从而节省存储空间和...
yolov5_for_rknn:PyTorch中的YOLOv5> ONNX> RKNN
05-10
模型推理：python3 rknn_detect_yolov5.py 注意事项：如果训练尺寸不是640那么，anchors会自动聚类重新生成，生成的结果在训练时打印在控制台，或者通过动态查看torch模型类属性获取，如果anchors不对应那么结果就会...
yolov5-7.0实例分割模型转onnx再转rknn，含各个阶段代码
08-22
在本文中，我们将深入探讨如何将一个基于yolov5-7.0的实例分割模型转换为ONNX格式，然后再转换为RKNN（Rockchip Neural Network）格式，以适应rk3399pro和rk1808等硬件平台。这个过程涉及到多个步骤，包括模型的...
c++调用YOLOV4实现目标检测
06-19
需要配置opencv和cuda的环境，配置之后可以直接运行生成检测之后的图片，yolov4.weights直接在网上下载就可以放到代码的目录下
xcpclock_demo(vc)
08-29
一个漂亮的时钟，功能比较简单，适合初学者一看。
yolov4-tiny训练自己的模型并部署到RK的NPU上推理
zengwb的博客
10-17 7544
文章目录前言一、安装darknet训练框架二、模型转换二、RKNN推理 前言 使用yolov4-tiny训练西瓜检测模型，部署到RKNPU上推理Python单线程速度35FPS以上 一、安装darknet训练框架 本人使用得是这里的darknet Readme里有详细写明数据准备，cfg修改，训练步骤等，本文不在赘述。 二、模型转换 训练完成后得到yolov4-yiny.cfg和yolov4-tiny.weight, 转换为yolov4-tiny.rknn from PIL import Image i
rknn模型转换常见问题
走错路的程序员
03-16 3759
rknn.load_onnx 无法加载onnx模型 报错如下, --> Loading onnx model WARNING: ONNX Optimizer has been moved to https://github.com/onnx/optimizer. All further enhancements and fixes to optimizers will be done in this new repo. The optimizer code in onnx/onnx repo will
rknn部署异常情况汇总
weixin_42829652的博客
12-31 4551
rknn部署到rk核心板(debian10)异常情况
利用瑞芯微3399Pro推理yoloV5s目标检测模型：踩坑笔记
starDu
05-17 3036
1.参考： yolov5和rknn模型的问题_走错路的程序员的博客-CSDN博客_rknn YOLOv5s部署在瑞芯微电子RK3399Pro中使用NPU进行加速推理_Deepsdu的博客-CSDN博客_npu加速 2.具体 步骤1：先部署好环境（服务器ubuntu18.04，带GPU环境;瑞芯微3399pro，买来自带debian10操作系统；两种设备均需部署）： 按照官方 （GitHub - rockchip-linux/rknn-toolkit） 下载好code（两台设备都下载下）,然
RK3399Pro的问题记录
走错路的程序员
08-10 6262
问题记录. pytorch的模型一直无法加载 这一部是在模型保存的时候同时产生的. 普通的pytorch 直接报错的权重参数模型,rknn并不能加载和转换. 后来看到sdk中的示例代码才发现需要 torch.jit.trace() 才行. 这一步要求在保存模型的时候同时转换成标准的模型… 代码如下, torch2jit.py # -*- coding: utf-8-*- import argparse import os import shutil import numpy as np from
【瑞芯微平台rv1109平台部署yolov5目标检测】
weixin_47869094的博客
08-09 1386
在SDK目录rv1126_rv1109\external\rknn-toolkit\packages下有rknn_toolkit-1.6.0-cp36-cp36m-win_amd64.whl(备注：我从github下载最新的rknn toolkit的时候，对应的whl并没有一起下过来，https://github.com/rockchip-linux/rknn-toolkit/releases需要自己再下载一下对应的安装包)该步骤的安装包要和跟文档的一致，不然后面rknn还是安装不成功的。
yolov5 PyTorch模型转TensorRT
05-20
将YOLOv5 PyTorch模型转换为TensorRT模型需要以下步骤： 1. 安装TensorRT和PyTorch。 2. 下载并安装yolov5。 3. 使用PyTorch将yolov5模型转换为ONNX格式。 ``` python models/export.py --weights yolov5s.pt --img 640 --batch 1 --include onnx # yolov5s ``` 4. 安装ONNX-TensorRT。 ``` git clone https://github.com/onnx/onnx-tensorrt.git cd onnx-tensorrt git submodule update --init --recursive mkdir build && cd build cmake .. -DTENSORRT_ROOT=/path/to/tensorrt -DCMAKE_CXX_COMPILER=g++-7 make -j sudo make install ``` 5. 使用ONNX-TensorRT将ONNX模型转换为TensorRT模型。 ``` import onnx import onnx_tensorrt.backend as backend model = onnx.load("yolov5s.onnx") # Load the ONNX model engine = backend.prepare(model, device="CUDA:0") # Prepare the TensorRT model with open("yolov5s.engine", "wb") as f: # Serialize the TensorRT engine f.write(engine.serialize()) ``` 6. 测试TensorRT模型的性能和准确性。 ``` import pycuda.driver as cuda import pycuda.autoinit import numpy as np import time # Load the TensorRT engine with open("yolov5s.engine", "rb") as f: engine = cuda.Context().deserialize_cuda_engine(f.read()) # Create the TensorRT inference context context = engine.create_execution_context() # Allocate the input and output buffers input_shape = engine.get_binding_shape(0) output_shape = engine.get_binding_shape(1) input_buffer = cuda.mem_alloc(np.prod(input_shape) * 4) output_buffer = cuda.mem_alloc(np.prod(output_shape) * 4) # Prepare the input data input_data = np.random.rand(*input_shape).astype(np.float32) # Copy the input data to the input buffer cuda.memcpy_htod(input_buffer, input_data) # Run inference start_time = time.time() context.execute_v2(bindings=[int(input_buffer), int(output_buffer)]) end_time = time.time() # Copy the output data to the output buffer output_data = np.empty(output_shape, dtype=np.float32) cuda.memcpy_dtoh(output_data, output_buffer) # Print the inference time and output data print("Inference time: {} ms".format((end_time - start_time) * 1000)) print("Output shape: {}".format(output_shape)) print("Output data: {}".format(output_data)) ```
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