yolo5训练的模型在windos识别度高 但是转rknn以后识别度下降

最新推荐文章于 2024-02-26 18:29:28 发布
最新推荐文章于 2024-02-26 18:29:28 发布
阅读量883 收藏 3
点赞数
文章标签： 深度学习 人工智能 numpy
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/qq_37797583/article/details/130112118
版权

我遇到这个问题，在windows训练了yolov5的pt模型转换成onnx以后去转rknn模型，转换出来的模型在用图片进行测试的时候识别度下降了快一半，经过一个星期的努力解决了，最后发现是我的推理测试代码有问题，
我的解决思路是：
用https://github.com/airockchip/rknn_model_zoo下面的python例子用你转换好的rknn 或者onnx 模型连接板子进行推理测试，也可以用c的，但是python的简单点不需要修改什么文件，c的话需要修改配置文件，有点麻烦，看结果如果不理想可能就是你的模型有问题

初学者5213
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
yolov5训练得到的pt模型转rknn模型应用到rk3588开发平台上，测试结果出错：出现重复框选，选框混乱（包含rknn转换完整流程）
weixin_45004544的博客
11-26 1324
新建好一个虚拟环境后（这里最好选择python3.6或python3.8或python3.10，和rknn-toolkit2提供的安装包相对应），cd到rknn-toolkit2-master\doc目录下，安装requirements.txt。可能第一步最后的安装页面会有疑惑，说要清除整个磁盘并安装ubuntu，不要害怕，不会清除破坏你的任何文件的。，要注意的是，第一步按照教程按照完之后，直接来到第二步安装博文，从里面的4.6.5步开始即可。成功运行后即可得到我们的测试图片和rknn模型。
探索AI边界：RKNN模型动物园——一个高效、易用的深度学习模型库
最新发布
gitblog_00074的博客
04-16 491
探索AI边界：RKNN模型动物园——一个高效、易用的深度学习模型库 项目地址:https://gitcode.com/airockchip/rknn_model_zoo 在人工智能领域，开发者和研究人员常常需要寻找或构建适合特定应用场景的深度学习模型。 RKNN Model Zoo 是由Airockchip推出的一个开源项目，它提供了一个丰富多样的预训练模型集合，旨在帮助开发者快速实现AI应用落地...
【RK3588 第三篇】模型精度优化指南、和精度问题查找
钱多多先森
10-08 2784
瑞芯微版本模型部署中精度指南和问题查找
yolov5转换为rknn模型过程中的问题总结
weixin_44220689的博客
10-09 1319
接上一篇博客，记录yolov5模型转换出现的问题
【RK3588 第四篇】YOLO V5中pytorch2onnx，pytorch和onnx模型输出不一致，精度降低
钱多多先森
10-13 3454
pytorch转onnx模型发现的问题，以及转rknn出现的精度下降，同时验证了新的pytorch转onnx模型出现的麻烦事
pt文件和转出的onnx文件精度对不上
qq_34346879的博客
03-14 1095
原因：预处理时，图片通道没对齐。PIL的image.open和cv2的imread通道顺序不一样。Image.open 读取图片的顺序默认是RGB。cv.imread 读取图片的顺序默认是BGR。解决方法：读取后给图片通道调整顺序即可。
onnxruntime评测模型精度不一致问题排查
straka的博客
07-03 6989
gpu精度不一致问题追查 在做模型转换相关工作，但是最近发现转换后的模型精度评测的时候会出现两次评测精度不一致, 模型转换是从caffe转换成量化后的onnx模型，中间会有几个临时模型，分别为original_onnx, 这个是直接转换的模型，一个optimized_onnx，是对原onnx模型进行结构优化/整合后的模型，另一个为quantized_onnx模型，既量化后的模型，我们发现对量化后对模型进行精度评测的时候，多次评测的结果不同，而且是同样的转换代码的情况下，同样的评测图片集，最终评测结果不一致，
pt模型转化为rknn的常见问题整理
weixin_44220689的博客
08-30 1615
pt转onnx转rknn
YOLO v5安全帽检测模型代码和已训练好的模型权重
05-14
YOLO v5模型。安全帽VOC标注数据集。YOLO v5 模型代码和已保存的模型权重。...预训练模型和配置文件为均为YOLO v5s。迭代次数为50，亲测视频检测效果好。相关参数可调！ 到手直接用，有问题联系q614450979。
基于Yolo5的动态口罩佩戴识别模型的pt文件
03-07
详情参见CSDN文章：https://blog.csdn.net/CCCP_lus/article/details/134874351
yolo训练 可识别滑块缺口等一系列验证码 易语言源码
04-04
yolo训练 神经网络 可识别滑块缺口等一系列验证码 识别行人 汽车等视觉标注
yolo5手势识别数据集+模型-.zip
07-13
标注的1300张数据集，以及训练好的模型，制作不易，欢迎下载
YOLO实战：训练自己的手势识别模型
06-17
本课程主要向大家讲解如何基于YOLO网络的精简版本tiny-yolo训练手势识别模型，从图片数据采集，图片标注，网络参数修改，模型训练，模型测试等，项目中用到的标注好的数据集和训练好的模型向购买课程的同学免费提供...
yolov5和rknn模型的问题
热门推荐
走错路的程序员
11-02 1万+
rknn官方目前1.7.0 对新算子的支持还没跟上, 需要将yolov5中的模型做下面的改变, 吐槽一下, rknn官方真是 效率太低了. 售后也很不到位, 恨不得去咬他两口. 改进之后重新训练新的模型. 再去转onnx, 然后转rknn 改变如下: 将Focus层改成Conv层 将Swish激活函数改成Relu激活函数 将大kernel_size的MaxPooling改成3x3 MaxPooling Stack结构 第一个 将Focus层改成Conv层, 参考自 @Shmily丶 将 com
模型部署——RKNN模型量化精度分析及混合量化提高精度（附代码）
qq_40280673的博客
02-26 2426
由于在RKNN模型构建的过程中，对模型进行了量化，会无可避免的造成精度损失，使用精度分析接口，可以查看每一层的精度损失情况。通过混合量化，将某些损失较大的层，从量化层转为非量化层，从而提高模型的精度。
用于生成RKNN模型的YOLOV5源码
limengshi138392的博客
10-24 271
【代码】用于生成RKNN模型的YOLOV5源码。
踩坑RV1106板端部署rknn模型
weixin_45715405的博客
12-28 2890
按照官方的流程可以跑通，他自己提供的yolov5s.rknn（640*640）的模型，但是跑自己的模型的时候加载就会出错E RKNN: failed to decode config data!这个文件就是源码里面埋了很大一个坑，取反了，模型输入要求是NHWC，但是他将h取到w上面了，所以出现错乱，为什么官方自己的模型没问题推理是正常的，因为官方的是640*640，高宽尺寸是一致的，所以没有出现这个bug。如果直接拿自己的模型不修改代码，直接推理，会出现这种报错，就是类别没有对上。修改之后再次验证正常了。
目标检测 YOLOv5 - Rockchip rknn模型的测试 包括精度，召回率，mAP等详细信息
flyfish
10-28 4106
可以将rknn模型做成与pytorch模型相同的预处理，是不确定输入的方式，而不是确定的640 * 640方式。该测试使用模拟器测试，可以在Ubuntu18.04上直接运行如果要更改为真机测试，请更改 要连接的设备ID。该测试是使用了自定义128张图片的测试结果，如果采用官网的coco128图片数据会比下列数值更好看。pytorch模型采用不确定输入的方式，rknn模型采用了确定的640 * 640方式。以下是对比结果，pt模型的测试结果和rknn模型的测试。rknn模型的测试结果。pytorch的数据。
逐行解释官方仓库rknn-model-zoo中yolo系列rknn-c-demo主程序
qq_40391707的博客
08-11 1037
逐行解释官方仓库rknn-model-zoo中yolo系列rknn-c-demo主程序
rknn-toolkit 转换 rknn模型
09-05
您好！要使用 rknn-toolkit 转换 rknn 模型，您可以按照以下步骤进行操作： 1. 安装 rknn-toolkit： 您可以访问 Rockchip 官方网站或 GitHub 仓库下载并安装 rknn-toolkit。确保您已经安装了所有依赖项和所需的环境。 2. 准备 TensorFlow 或 PyTorch 模型： 在转换之前，您需要准备一个 TensorFlow 或 PyTorch 训练好的模型。确保您已经按照模型转换工具的要求来训练和保存模型。 3. 使用 rknn-toolkit 进行转换： 使用以下命令将 TensorFlow 或 PyTorch 模型转换为 rknn 模型： ``` rknn-toolkit -i input_model.pb --model_type tensorflow --output_model=model.rknn --input_shape=input:1,224,224,3 --output_shape=output/BiasAdd:1,1000 ``` 这是一个示例命令，您需要根据您的模型和需求进行相应的参数设置。详细的命令和参数说明可以在 rknn-toolkit 文档中找到。 4. 验证转换结果： 转换完成后，您可以使用 rknn-toolkit 提供的工具来验证转换后的 rknn 模型。您可以运行以下命令来验证模型是否成功转换： ``` rknn-toolkit -i model.rknn --validation ``` 如果验证通过，您就可以在后续的应用中使用转换后的 rknn 模型了。 请注意，在进行模型转换和使用 rknn-toolkit 进行操作之前，建议您详细阅读 rknn-toolkit 的官方文档，以确保正确理解和使用工具的功能和要求。

“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 4
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