个人比赛记录（dianyue)-1

我负责硬件方面，首先先提交好训练比赛样本，方便我们下一步的操作：

1：先将训练比赛的提交，以下记录这次操作

        首先，根据环境搭配，我们先弄好板卡和基本命令操作。

下载好车行人识别：

路口车辆行人识别例程网盘下载；

链接：https://pan.baidu.com/s/1VI7OYCX0xF-F9YkdHS7ncA

提取码：0825

下载的文件包中含有两个子文件加成，如下图所示：

将模型放到ubuntu中，可以放到rknn-toolkit（自己创造一个）文件下面。

启动环境配置下面的bash环境，也就是docker，使用这个进行一个模型变换，下面是进入docker的命令（配置请看之前的pdf文档）

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

进入之后如下图所示：（你没看错，我们的前缀不一样）不用怀疑

进入我们的模型中，根据下面指示进行即可：如图

cd test/

我们先进行了gen_list.py文件的使用，具体作用是：

import os
import random

def main(image_dir):
    # 定义保存图片路径的txt文件路径
    save_image_txt = './pic_path.txt'
    # 定义保存验证集数量的变量
    save_val_number = 0
    # 定义一个空列表，用于保存图片文件的路径
    img_path_list = []
    # 使用os.listdir()函数获取指定目录下的文件列表，并遍历每个文件
    image_list = os.listdir(image_dir)
    for i in image_list:
        # 构建图片文件的完整路径
        image_path = os.path.join(image_dir, i)
        # 将image_path添加到img_path_list中
        img_path_list.append(image_path)

    # 打印所有图片的数量
    print('len of all', len(img_path_list))

    # 使用random.shuffle()函数打乱img_path_list中的元素顺序
    random.shuffle(img_path_list)

    # 使用with open()语句打开save_image_txt文件，并以写入模式打开
    with open(save_image_txt, 'w') as F:
        # 遍历img_path_list列表，将每个元素写入txt文件中，每个路径占一行
        for i in range(len(img_path_list)):
            F.write(img_path_list[i]+'\n')

if __name__ == '__main__':
    # 设置指定目录的路径
    image_dir = '/test/quant_dataset/car_person_data'
    # 调用主函数
    main(image_dir)

随后进行模型转换，用于python rknn_convert.py ，将.onnx变成.rknn。出现这个就是成功了。

接下来就是关于adb方面的连接和关闭。先关闭虚拟机上面的adb服务，在docker里面下载adb.代码如下：

apt install adb

重新开一个终端，关闭adb在本机上的服务，

adb kill-server

在使用adb devices之后，docker环境里面出现了下面这种形式就可以了。

接下来就可以进行一个预编译了，稍等片刻就可。

 python precompile_rknn.py 

完成之后会出现下面的图片：

好的，预编译完成，将文件保存，经过机不操作，有下面的文件添加

保存好预编译的文件。

下面操作就是进行交叉编译环境操作，运行./run.sh文件，进入交叉编译环境。

然后直接进入 cd /opt/文件，这是对应的映射文件，可以看到我们电脑里面的主文件。

进入里面，进行一个编译即可。

运行编译文件：(注意前缀）

./bulid.sh

然后把东西传到板卡上面即可：

cp yolov5_detect_demo_release/ /mnt/userdata/ -rf

另外开启一个终端，我们就可以在板卡里面进行已给运行了。

注意adb的连接。运行之后，退出板卡环境，将运行好的图片取出来（注：记得退出板卡环境）

adb pull /userdata/yolov5_detect_demo_release/result.jpg

上面是所有的基本步骤，接下来，是关于如何运行多张图片的步骤。我们只需要改变.cpp文件的代码就可以了，如下：

#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <sys/time.h>
#include"yolov5_detect.h"
#include <dirent.h>

using namespace cv;
using namespace std;

static Scalar colorArray[10]={
    Scalar(255, 0, 0, 255),
    Scalar(0, 255, 0, 255),
    Scalar(0,0,139,255),
    Scalar(0,100,0,255),
    Scalar(139,139,0,255),
    Scalar(209,206,0,255),
    Scalar(0,127,255,255),
    Scalar(139,61,72,255),
    Scalar(0,255,0,255),
    Scalar(255,0,0,255),
};

int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
    int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[colour], 3);

    int tf = max(tl -1, 1);

    int base_line = 0;
    cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
    int x3 = x1 + t_size.width;
    int y3 = y1 - t_size.height - 3;

    rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[colour], -1);
    putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
    return 0;
}

int main(int argc, char **argv) {
    /* 参数初始化 */
    int output_nboxes_left = 0;
    coco_detect_result_group_t detect_result_group;

    /* 算法模型初始化 */
    rknn_context ctx;
    coco_detect_init(&ctx, "./car_person_rv1126_pre.rknn");

    /* 图片文件夹路径 */
    std::string folder_path = "picture/";

    /* 遍历文件夹 */
    DIR *dir;
    struct dirent *ent;
    if ((dir = opendir(folder_path.c_str())) != NULL) {
        while ((ent = readdir(dir)) != NULL) {
            std::string file_name = ent->d_name;
            if (file_name == "." || file_name == "..") {
                continue;
            }

            /* 算法运行 */
            Mat src, rgb_img;
            std::string file_path = folder_path + file_name;
            src = imread(file_path, 1);
            cvtColor(src, rgb_img, COLOR_BGR2RGB);

            struct timeval start;
            struct timeval end;
            float time_use = 0;

            gettimeofday(&start, NULL);
            coco_detect_run(ctx, rgb_img, &detect_result_group);

            gettimeofday(&end, NULL);
            time_use = (end.tv_sec - start.tv_sec) * 1000000 + (end.tv_usec - start.tv_usec); // 微秒
            printf("time_use is %f\n", time_use / 1000);

            /* 算法结果在图像中画出并保存 */
            for (int i = 0; i < detect_result_group.count; i++) {
                coco_detect_result_t *det_result = &(detect_result_group.results[i]);

                if (det_result->prop < 0.3) {
                    continue;
                }

                printf("%s @ (%d %d %d %d) %f\n",
                       det_result->name,
                       det_result->box.left, det_result->box.top, det_result->box.right, det_result->box.bottom,
                       det_result->prop);
                int x1 = det_result->box.left;
                int y1 = det_result->box.top;
                int x2 = det_result->box.right;
                int y2 = det_result->box.bottom;

                char label_text[50];
                memset(label_text, 0, sizeof(label_text));
                sprintf(label_text, "%s %0.2f", det_result->name, det_result->prop);
                plot_one_box(src, x1, x2, y1, y2, label_text, i % 10);
            }

            std::string save_folder = "./res/"; // 例如：std::string save_folder = "/home/user/recognize_results/";
            std::string save_path = save_folder + "result_" + file_name;

            imwrite(save_path, src);
        }
        closedir(dir);
    } else {
        /* 无法打开文件夹 */
        perror("");
        return EXIT_FAILURE;
    }

    /* 算法模型空间释放 */
    coco_detect_release(ctx);

    return 0;
}

随后进行操作即可。得到结果如下：（当然，这样子是不好看的，并且不好传输回来）所以我们将图片放到一个文件夹里面，方便传输。

改变之后：

传输回来，就可以在本机上看到识别出来的图片

adb pull /userdata/yolov5_detect_demo_release/res/

接下来就是关于怎么把我们得到的结果传上去了。