使用Python代码进行Yolov Face.rknn模型的推理

最新推荐文章于 2024-07-19 17:58:56 发布

技术探险先驱

最新推荐文章于 2024-07-19 17:58:56 发布

阅读量254

点赞数

文章标签： python 开发语言机器学习-深度学习

本文链接：https://blog.csdn.net/library_git927/article/details/132970720

版权

机器学习-深度学习专栏收录该内容

56 篇文章 8 订阅 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何使用Python加载和推理Yolov Face.rknn模型进行人脸检测。首先确保安装了RKNN Toolkit，加载模型后，通过OpenCV读取测试图像并进行预处理，然后执行推理并根据模型输出处理结果，最后释放资源。

摘要由CSDN通过智能技术生成

Yolov Face是一个用于人脸检测和人脸识别的深度学习模型，它可以帮助我们在图像或视频中准确地检测和识别人脸。在本文中，我们将介绍如何使用Python代码加载和推理Yolov Face.rknn模型。

首先，我们需要安装相应的依赖库。确保已经安装了RKNN Toolkit，并且已经准备好了Yolov Face.rknn模型文件。接下来，让我们开始编写代码。

import cv2
from rknn.api import RKNN

# 加载RKNN模型
rknn = RKNN()
rknn.load_rknn('./path/to/yolov_face.rknn'

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

技术探险先驱

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

rknn-toolkit推理yolov5-face.rknn模型--python代码

cumtchw

03-08

2351

import os import urllib import traceback import time import sys import numpy as np import cv2 from rknn.api import RKNN ONNX_MODEL = 'yolov5s.onnx' RKNN_MODEL = 'yolov5s.rknn' IMG_PATH = './bus.jpg' DATASET = './dataset.txt' QUANTIZE_ON = True BOX_THR.

rknn导出yolov5模型在python中可正常推理，在c++中无结果.

qq_42905966的博客

09-26

345

rktoolkit2中的test.py可以运行并输出正确检测结果，在rknpu2的c++代码中可以推理但是无检测结果。python推理和c++推理均出自同版本(1.4.0)rk官方代码库 rktoolkit2和rknpu2。先说解决办法: 把原本的1.4.0代码库版本换成1.5.0就解决了，很梦幻.因为后处理中包含sigmoid所以输出节点设置在sigmoid之前。导出时指定了3个输出，

参与评论您还未登录，请先登录后发表或查看评论

python+yolo8 人体脸部识别

最新发布

m0_62422316的博客

07-19

561

python+yolo8 人体脸部识别

模型部署——RKNN模型的评估和推理测试（附代码）

qq_40280673的博客

02-25

6016

RKNN模型的评估和推理测试

RKNN 工具使用-python

dongdonglele521的博客

03-14

1745

quantized_method 支持 layer 或 channel ，用于每层的权重是否共享参数，默认为。data_format ：输入数据的 layout 列表，只对 4 维的输入有效，格式为 “NCHW” 或。询 RKNN_QUERY_CUSTOM_STRING 得到该信息，方便部署时根据不同的 RKNN 模。默认值为 False。quantized_algorithm 用于指定计算每一层的量化参数时采用的量化算法，可以选择。

部署yolov9的rknn模型python源码+模型+部署说明.zip

05-15

部署yolov9的rknn模型python源码+模型+部署说明.zip部署yolov9的rknn模型python源码+模型+部署说明.zip部署yolov9的rknn模型python源码+模型+部署说明.zip部署yolov9的rknn模型python源码+模型+部署说明.zip部署...

基于多线程异步操作rknn模型对Yolov5进行推理Python源码+文档说明.zip

02-06

使用多线程异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数，不过实际在使用摄像头做实时目标检测的时候帧率在25左右，所以后面打算主要使用rknpu2做板端部署，预计会快很多，有待验证 ...

yolov3.weights

11-10

在Python环境中，我们可以使用如`TensorFlow`或`PyTorch`这样的深度学习框架加载`yolov3.weights`权重文件，并结合YOLOv3的模型结构代码进行目标检测。例如，在`PyTorch`中，可以使用`torch.load()`函数加载权重，...

YOLOV8模型转换-ONNX-RKNN

10-12

YOLOV8模型转换至ONNX-RKNN的流程是一个典型的深度学习模型部署步骤，尤其在嵌入式设备如RK3588上运行时，这样的优化和转换至关重要。YOLO（You Only Look Once）系列是实时目标检测系统，而YOLOV8作为其最新版本，...

基于python的yolov5的人脸检测,带关键点检测,基于wideface训练的源码范例和详细说明（由浅入深复杂代码在资料后

06-16

基于python的yolov5的人脸检测,带关键点检测,基于wideface训练的源码范例和详细说明（由浅入深复杂代码在资料后半部分）.docx

RK3588 Debian11环境下实现yolov5-face的推理实现

03-08

RK3588 Debian11环境下实现yolov5-face的推理实现，包括Python和C++实现。主要依赖RKNPU2 SDK和rknn_toolkit_lite2.zipRK3588 Debian11环境下实现yolov5-face的推理实现，包括Python和C++实现。主要依赖RKNPU2 SDK和rknn_toolkit_lite2.zipRK3588 Debian11环境下实现yolov5-face的推理实现，包括Python和C++实现。主要依赖RKNPU2 SDK和rknn_toolkit_lite2.zipRK3588 Debian11环境下实现yolov5-face的推理实现，包括Python和C++实现。主要依赖RKNPU2 SDK和rknn_toolkit_lite2.zipRK3588 Debian11环境下实现yolov5-face的推理实现，包括Python和C++实现。主要依赖RKNPU2 SDK和rknn_toolkit_lite2.zipRK3588 Debian11环境下实现yolov5-face的推理实现，包括Python和C++实现。主要依

yolov5s的pt文件转换成rknn（在rk3399pro用python环境运行）

qq_26847897的博客

02-06

907

rknn python

如何使用Python YOLO进行人脸检测？

梦在硅谷的博客

05-05

1961

YOLO（You Only Look Once）是一种实时目标检测算法，它可以在一张图像中同时检测多个对象，并且速度非常快。本文将介绍如何使用Python YOLO进行人脸检测。

模型部署——rknn-toolkit-lite2部署RKNN模型到开发板上（python版）

qq_40280673的博客

03-07

6548

rknn-toolkit-lite2部署RKNN模型到开发板上

玩转rk3588（二）：openEuler系统创建python环境，验证rknn模型（一）

qq_32636415的博客

11-29

1338

开发版：firefly rk3588J系统：openEuler 20.03LTS。

python人头识别_使用yolov4 训练自己的人头识别模型

weixin_39801202的博客

01-14

646

0、实验环境ubuntu 16.04opencv 3.4.10cuda 10.11、yolov4安装1.1、下载编译darknetgit clone https://github.com/AlexeyAB/darknetcd darknetdarknet 默认编译是不带cuda与opencv,而且不会编译so文件。如果想编译带有cuda与opencv，并编译so文件的需要修改Makefile进行编...

用yolov5做人脸检测

热门推荐

qq_52086693的博客

08-24

1万+

用yolov5做人脸识别

054基于python的人脸识别检测

lyx_9696的博客

06-24

卷积网路CNN分类的模型一般使用包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。目标检测一般是yolov3、yolov4、yolov5、yolox、PSPnet、faster_rcnn、SDD等。运行02pyqt界面.py显示一个pyqt的交互界面，通过点击按钮来进行人脸检测。运行01detect.py可以对单张图片进行人脸检测，

写一个yolov7模型的rknn python推理代码

03-29

很抱歉，我作为AI语言模型无法提供代码，但是我可以为您提供参考： 1. 首先需要将yolov7模型转换为rknn模型，可以使用rknn-toolkit进行转换，具体步骤可以参考官方文档：https://docs.rock-chips.com/zh_cn/rockchip_linux_sdk_user_guide/zh_cn/html/sdk_dev_tools/rknn/rknn_toolkit.html 2. 推理代码示例： ```python import cv2 import numpy as np from rknn.api import RKNN # 加载rknn模型 rknn = RKNN() rknn.load_rknn('yolov7.rknn') # 读取图片并进行预处理 img = cv2.imread('test.jpg') img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (416, 416)) img = img.astype(np.float32) / 255. img = np.transpose(img, [2, 0, 1]) img = np.expand_dims(img, axis=0) # 设置输入输出节点 rknn.inputs[0].reshape([1, 3, 416, 416]) rknn.outputs[0].reshape([1, 2535, 85]) # 进行推理 outputs = rknn.inference(inputs=[img]) pred = outputs[0] # 解析输出结果 boxes = [] for i in range(pred.shape[0]): for j in range(pred.shape[1]): x, y, w, h = pred[i, j, :4] conf = pred[i, j, 4] cls_conf = pred[i, j, 5:] cls_id = np.argmax(cls_conf) score = conf * cls_conf[cls_id] if score > 0.5: cx = x * 32 + j * 32 cy = y * 32 + i * 32 bw = w * 32 bh = h * 32 xmin = int(cx - bw / 2) ymin = int(cy - bh / 2) xmax = int(cx + bw / 2) ymax = int(cy + bh / 2) boxes.append([xmin, ymin, xmax, ymax, cls_id, score]) # 绘制检测结果 for box in boxes: xmin, ymin, xmax, ymax, cls_id, score = box cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2) cv2.putText(img, f'{cls_id}:{score:.2f}', (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1) # 显示结果 cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 注意事项： 1. 输入图片需要进行预处理。 2. 输出结果需要进行解析。 3. 输入输出节点需要根据模型的具体情况进行设置。