rknn实现yolo5目标检测

工具链安装

环境准备

• ubuntu22.04
• python3.10
• RK3576

RKNN-Toolkit2

首先从github上拉取仓库：https://github.com/airockchip/rknn-toolkit2.git

python环境

之后需要准备python环境，官方推荐的是python3.8，但是其中packeges目录下分别提供了3.6_{3.11的安装包，所以理论上应该python3.6}3.11都可以，我这里使用的是python3.10.

安装依赖和rknn-toolkit2

进入 rknn-toolkit2 目录，根据自己的python版本，选择合适的requirements.txt 安装依赖库，并通过 wheel 包安装 RKNN-Toolkit2

pip install -r packages/requirements_cp310-2.1.0.txt
pip install packages/rknn_toolkit2-2.1.0+708089d1-cp310-cp310-linux_x86_64.whl

如果安装速度太慢，可以在最后加上-i ``https://pypi.tuna.tsinghua.edu.cn/simple，换为国内镜像源进行加速。

安装验证

执行以下命令，若没有报错，则代表 RKNN-Toolkit2 环境安装成功。

python
from rknn.api import RKNN

模型转换

以官方model_zoo中的YOLOv5为例，进行模型的转换及测试

准备模型

首先我们需要克隆项目：https://github.com/airockchip/rknn_model_zoo.git

之后进入到examples/yolov5/model目录下，运行 download_model.sh 脚本，将YOLOv5 ONNX 模型下载至当前 model 目录下

cd examples/yolov5/model
bash ./download_model.sh

模型转换

onnx模型准备完成后，需要将其转换为rknn格式。进入 rknn_model_zoo/examples/yolov5/python 目录下，运行 convert.py 脚本，该脚本有几个参数如下:

其中platform为板卡平台的芯片类型，dtype为模型的精度，可以看到不同精度的模型适用的平台有所区别，在设置时需要注意。

不同的板卡需要要选择对应的精度类型

python convert.py ../model/yolov5s_relu.onnx rk3576 i8 ../model/yolov5s_relu.rknn

转换完成后，在model目录下就会多出一个yolov5s_relu.rknn，这个就是我们推理需要用到的模型文件了。

模型推理测试

进入 rknn_model_zoo/examples/yolov5/python 目录，运行 yolov5.py 脚本，便可通过连板调试的方式在板端运行 YOLOv5 模型

板端推理

完整运行一个 RKNN C Demo，需要先将 C/C++ 源代码编译成可执行文件，然后将可执行文件、模型文

件、测试图片等相关文件推送到板端上，最后在板端运行可执行文件。

首先进入 rknn_model_zoo 目录下，在其中的 build-linux.sh 脚本开头添加

CC_COMPILER=${CROSS_COMPILE}

并将CC和CXX修改如下

export CC=${GCC_COMPILER}gcc
export CXX=${GCC_COMPILER}g++

运行 build-linux.sh 脚本

bash ./build-linux.sh -t rk3576 -a aarch64 -d yolov5

编译完成后，会在 rknn_model_zoo 目录下产生 install 文件夹， 其中有编译好的可执行文件，以及测试图

片等相关文件。

将 rknn_yolov5_demo 文件夹推送到板端并执行其中的rknn_yolov5_demo可执行文件:

# 进入 rknn_yolov5_demo 目录
cd /userdata/rknn_yolov5_demo/
# 设置依赖库环境
export LD_LIBRARY_PATH=./lib
# 运行可执行文件
# 用法: ./rknn_yolov5_demo <model_path> <input_path>
./rknn_yolov5_demo model/yolov5s_relu.rknn model/bus.jpg

输出结果如下：

将输出图片传输至PC端进行查看：