rknn教程

安装

现在github下载

api

rknn.config


    def config(self,
               batch_size=100,
               caffe_mean_file=None,
               dtype='float32',
               epochs=-1,
               force_gray=None,
               input_fitting='scale',
               input_normalization=None,
               mean_file=None,
               model_data_format='zone',
               model_quantize=None,
               optimize='Default',
               quantized_dtype='asymmetric_affine-u8',
               quantized_moving_alpha=0.01,
               quantized_algorithm='normal',
               quantized_divergence_nbins=1024,
               mmse_epoch=3,
               random_brightness=None,
               random_contrast=None,
               random_crop=None,
               random_flip=None,
               random_mirror=None,
               reorder_channel=None,
               restart=False,
               samples=-1,
               need_horizontal_merge=False,
               deconv_merge=True,
               conv_mul_merge=True,
               quantized_hybrid=False,
               output_optimize=0,
               remove_tensorflow_output_permute=False,
               optimization_level=3,
               target_platform=None,
               mean_values=None,
               std_values=None,
               channel_mean_value=None,
               force_builtin_perm=False,
               do_sparse_network=True):

rknn.build

rknn.build(do_quantization,dataset,pre_compile,rknn_batch_size)
pre_compile:预编译开关,如果设置成 True,可以减小模型大小,及模型在硬件设备
上的首次启动速度。但是打开这个开关后,构建出来的模型就只能在硬件平台上运
行,无法通过模拟器进行推理或性能评估。如果硬件有更新,则对应的模型要重新构
建。

rknn.load_rknn

rknn.load_rknn(path,load_model_in_npu)
是否直接加载 npu 中的 rknn 模型。其中 path 为 rknn 模型在 npu
35
中的路径。只有当 RKNN-Toolkit 运行在 RK3399Pro Linux 开发板或连有 NPU 设备
的 PC 上时才可以设为 True。默认值为 False。

rknn.init_runtime

rknn.init_runtime(target,device_id,perf_debug,eval_mem,async_mode)
target:目标硬件平台,目前支持“rk3399pro”、“rk1806”、“rk1808”、“rv1109”、
“rv1126”。默认为 None,即在 PC 使用工具时,模型在模拟器上运行,在 RK3399Pro
Linux 开发板运行时,模型在 RK3399Pro 自带 NPU 上运行,否则在设定的 target 上
运行。其中“rk1808”包含了 TB-RK1808 AI 计算棒
perf_debug:进行性能评估时是否开启 debug 模式。在 debug 模式下,可以获取到每
一层的运行时间,否则只能获取模型运行的总时间。默认值为 False。
eval_mem: 是否进入内存评估模式。进入内存评估模式后,可以调用 eval_memory 接
口获取模型运行时的内存使用情况。默认值为 False。
async_mode:是否使用异步模式。调用推理接口时,涉及设置输入图片、模型推理、
36
获取推理结果三个阶段。如果开启了异步模式,设置当前帧的输入将与推理上一帧同
时进行,所以除第一帧外,之后的每一帧都可以隐藏设置输入的时间,从而提升性能。
在异步模式下,每次返回的推理结果都是上一帧的。该参数的默认值为 False。

rknn.inference

rknn.inference(inputs,data_type,data_format,inputs_pass_through)
inputs:待推理的输入,如经过 cv2 处理的图片。格式是 ndarray list。
data_type:输入数据的类型,可填以下值: ’float32’, ‘float16’, ‘int8’, ‘uint8’, ‘int16’。默认值为’uint8’。
data_format:数据模式,可以填以下值: “nchw”, “nhwc”。默认值为’nhwc’。这两个的不同之处在于 channel 放置的位置。
inputs_pass_through: 将输入透传给 NPU 驱动。非透传模式下,在将输入传给 NPU 驱动之前,工具会对输入进行减均值、除方差等操作;而透传模式下,不会做这些操作。
这个参数的值是一个数组,比如要透传 input0,不透彻 input1,则这个参数的值为[1,0]。默认值为 None,即对所有输入都不透传。

inference

基于onnx三个输出的推理
import os
import numpy as np
import cv2
from rknn.api import RKNN
ONNX_MODEL = 'best.onnx'
RKNN_MODEL = 'yolov.rknn'
IMG_PATH = '3.jpg'
DATASET = 'lh.txt'
NMS_THRESH=0.5
IMG_SIZE=640
strides=[8,16,32]
anchors=np.array([10,13, 16,30, 33,23,30,61, 62,45, 59,119,116,90, 156,198, 373,326])
ahchors=anchors.reshape((3,1,3,1,1,2))
def nms_boxes(boxes, scores):
    x = boxes[:, 0]
    y = boxes[:, 1]
    w = boxes[:, 2] - boxes[:, 0]
    h = boxes[:, 3] - boxes[:, 1]
    areas = w * h
    order = scores.argsort()[::-1]
    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)
        xx1 = np.maximum(x[i], x[order[1:]])
        yy1 = np.maximum(y[i], y[order[1:]])
        xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]])
        yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]])

        w1 = np.maximum(0.0, xx2 - xx1 + 0.00001)
        h1 = np.maximum(0.0, yy2 - yy1 + 0.00001)
        inter = w1 * h1

        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        inds = np.where(ovr <= NMS_THRESH)[0]
        order = order[inds + 1]
    keep = np.array(keep)
    return keep

def sigmoid(x):
    s = 1 / (1 + np.exp(-x))
    return s
def make_grid(nx=20, ny=20):
    X, Y = np.meshgrid(np.arange(0, nx, 1),np.arange(0, ny, 1))
    return np.stack((X, Y), 2).reshape((1, 1, ny, nx, 2))
def my_process(outputs,i):
    b,_,ny,nx=outputs.shape
    output = np.transpose(outputs.reshape(1, 3, 7, ny, nx),(0, 1, 3, 4, 2))
    output=np.ascontiguousarray(output)
    y = sigmoid(output)
    grid = make_grid(nx, ny)
    y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + grid) * strides[i]  # xy
    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * anchors[i]
    y=y.reshape(-1,7)
    return y
def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)):
    # Resize and pad image while meeting stride-multiple constraints
    shape = im.shape[:2]  # current shape [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    # Scale ratio (new / old)
    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])

    # Compute padding
    ratio = r, r  # width, height ratios
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding

    dw /= 2  # divide padding into 2 sides
    dh /= 2

    if shape[::-1] != new_unpad:  # resize
        im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # add border
    return im, ratio, (dw, dh)


if __name__ == '__main__':

    # Create RKNN object
    rknn = RKNN()

    if not os.path.exists(ONNX_MODEL):
        print('model not exist')
        exit(-1)

    # pre-process config
    print('--> Config model')
    rknn.config(reorder_channel='0 1 2',
                mean_values=[[0, 0, 0]],
                std_values=[[255, 255, 255]],
                optimization_level=3)
    print('done')

    # Load ONNX model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load yolov5 failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=False, dataset=DATASET)
    if ret != 0:
        print('Build yolov5 failed!')
        exit(ret)
    print('done')

    # Export RKNN model
    print('--> Export RKNN model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export yolov5rknn failed!')
        exit(ret)
    print('done')

    # init runtime environment
    print('--> Init runtime environment')
    # ret = rknn.init_runtime()
    ret = rknn.init_runtime(device_id="0")
    if ret != 0:
        print('Init runtime environment failed')
        exit(ret)
    print('done')

    # Set inputs
    img = cv2.imread(IMG_PATH)
    img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE))
    img = cv2.resize(img, (640, 640), interpolation=cv2.INTER_LINEAR)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    color=[127,210,155]
    # Inference
    print('--> Running model')
    outputs = rknn.inference(inputs=[img])
    results=[]
    for i in range(3):
        y=my_process(outputs[i],i)
        results.append(y)
    result=np.concatenate((results[0],results[1]),axis=0)
    result=np.concatenate((result,results[2]),axis=0)
    for i in range(result.shape[0]):
        if result[i][4]>0.3:

            xmin = int(result[i][0]-result[i][2]/2)
            ymin = int(result[i][1]-result[i][3]/2)
            xmax = int(result[i][0]+result[i][2]/2)
            ymax = int(result[i][1]+result[i][3]/2)
            print(xmin,ymin,xmax,ymax)
            cv2.rectangle(img, (xmin, ymin), (xmax, ymax), color, thickness=3, lineType=cv2.LINE_AA)
    cv2.imwrite("11.jpg", img)
    rknn.release()

要注意的是没有做nms操作,并且resize图片使用的是letterbox,但最后没有按此方式映射坐标,自己写个简单影射即可,即坐标%ratio-dw即可。主要把torch的后处理过程用python实现一遍详见my_process过程。

基于onnx一个输出的推理
import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN

ONNX_MODEL = 'best1.onnx'
RKNN_MODEL = 'yolov1.rknn'
IMG_PATH = '6.jpg'
DATASET = 'lh.txt'
OBJ_THRESH = 0.5
NMS_THRESH = 0.6
IMG_SIZE = 640
def nms_boxes(boxes, scores):
    """Suppress non-maximal boxes.

    # Arguments
        boxes: ndarray, boxes of objects.
        scores: ndarray, scores of objects.

    # Returns
        keep: ndarray, index of effective boxes.
    """
    x = boxes[:, 0]
    y = boxes[:, 1]
    w = boxes[:, 2] - boxes[:, 0]
    h = boxes[:, 3] - boxes[:, 1]

    areas = w * h
    order = scores.argsort()[::-1]

    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)

        xx1 = np.maximum(x[i], x[order[1:]])
        yy1 = np.maximum(y[i], y[order[1:]])
        xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]])
        yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]])

        w1 = np.maximum(0.0, xx2 - xx1 + 0.00001)
        h1 = np.maximum(0.0, yy2 - yy1 + 0.00001)
        inter = w1 * h1

        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        inds = np.where(ovr <= NMS_THRESH)[0]
        order = order[inds + 1]
    keep = np.array(keep)
    return keep
def plt_img(outputs,img):
    output=outputs[0,:,:]
    color=[127,0,255]
    for i in range(output.shape[0]):
        if output[i][4]>0.3:
            print("ok")
            xmin=int(output[i][0]-output[i][2]/2)
            ymin = int(output[i][1]-output[i][3]/2)
            xmax = int(output[i][0]+output[i][2]/2)
            ymax = int(output[i][1]+output[i][3]/2)
            print(xmin,ymin,xmax,ymax)
            cv2.rectangle(img, (xmin,ymin), (xmax,ymax), color, thickness=3, lineType=cv2.LINE_AA)
    cv2.imwrite("1.jpg",img)

def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)):
    # Resize and pad image while meeting stride-multiple constraints
    shape = im.shape[:2]  # current shape [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    # Scale ratio (new / old)
    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])

    # Compute padding
    ratio = r, r  # width, height ratios
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding

    dw /= 2  # divide padding into 2 sides
    dh /= 2

    if shape[::-1] != new_unpad:  # resize
        im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # add border
    return im, ratio, (dw, dh)

if __name__ == '__main__':

    # Create RKNN object
    rknn = RKNN()

    if not os.path.exists(ONNX_MODEL):
        print('model not exist')
        exit(-1)

    # pre-process config
    print('--> Config model')
    rknn.config(reorder_channel='0 1 2',
                mean_values=[[0, 0, 0]],
                std_values=[[255, 255, 255]],
                optimization_level=3)
    print('done')

    # Load ONNX model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load yolov5 failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=False, dataset=DATASET)
    if ret != 0:
        print('Build yolov5 failed!')
        exit(ret)
    print('done')

    # Export RKNN model
    print('--> Export RKNN model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export yolov5rknn failed!')
        exit(ret)
    print('done')

    # init runtime environment
    print('--> Init runtime environment')
    # ret = rknn.init_runtime()
    ret = rknn.init_runtime(device_id="0")
    if ret != 0:
        print('Init runtime environment failed')
        exit(ret)
    print('done')

    # Set inputs
    img = cv2.imread(IMG_PATH)
    img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE))
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    # Inference
    print('--> Running model')
    outputs = rknn.inference(inputs=[img])
    plt_img(outputs[0], img)

    print("Ok")

    rknn.release()

只有一个输出的话就没有后处理过程直接将xywh2xyxy即可,不要忘记nms和坐标影射。

  • 3
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
RKNN-Toolkit2是一个用于在Rockchip AI芯片上进行深度学习推理的工具包。它提供了一系列工具和API,用于将训练好的模型转换为RKNN格式,并在Rockchip AI芯片上进行推理。 使用RKNN-Toolkit2,您可以完成以下任务: 1. 模型转换:将训练好的模型转换为RKNN格式,以便在Rockchip AI芯片上进行推理。 2. 模型优化:对模型进行优化,以提高推理性能和准确性。 3. 模型部署:将转换和优化后的模型部署到Rockchip AI芯片上进行推理。 4. 推理测试:在rknn-toolkit2提供的模拟器中进行推理测试,以验证模型的性能和准确性。 以下是使用RKNN-Toolkit2的一些示例步骤: 1. 安装RKNN-Toolkit2:请参考引用中提供的安装教程,按照步骤安装RKNN-Toolkit2。 2. 准备模型:准备一个训练好的模型,可以是常见的深度学习框架(如TensorFlow、PyTorch)训练的模型。 3. 模型转换:使用RKNN-Toolkit2将模型转换为RKNN格式。根据您的模型类型和需求,可以选择不同的转换方法和参数进行转换。 4. 模型优化:根据您的需求,使用RKNN-Toolkit2对转换后的模型进行优化,以提高推理性能和准确性。 5. 模型部署:将优化后的模型部署到Rockchip AI芯片上进行推理。根据您的硬件环境和需求,可以选择不同的部署方式和参数进行部署。 6. 推理测试:使用rknn-toolkit2提供的模拟器,在模拟环境中进行推理测试,以验证模型的性能和准确性。 请注意,具体的步骤和参数可能因您的具体需求和环境而有所不同。建议您参考RKNN-Toolkit2的官方文档和示例代码,以获取更详细的信息和指导。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

小涵涵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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