1 模型转换

特别说明：以下内容参考来自rknn官网文档 Rockchip_User_Guide_RKNN_Toolkit2_CN-1.3.0.pdf。如有侵权告知删除。

完整代码放在github上。代码

1.1 工具链(RKNN-Toolkit2)

RKNN 工具链提供了两种按照方式，一种是“通过 pip install 安装”和“通过 Docker 镜像安装”，建议“通过 Docker 镜像安装”。具体安装方式参考提供的官方文档。工具链百度云盘下载路径，提取码：rknn

RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet、PyTorch 等 模型的加载转换，这些模型在加载时需调用对应的接口，以下为这些接口的详细说明。官方工具链：/rockchip-linux/rknn-toolkit2

1.2 通过Docker镜像安装

# 镜像 loaddocker load -i rknn-toolkit2-1.3.0-cp36-docker.tar.gz# 启动镜像sudo docker run -v `pwd`/rknn_model_convert:/data -it rknn-toolkit2:1.3.0-cp36 /bin/bash

1.3 模型转换

1）模型初始化

# 将详细的日志信息输出到屏幕，并写到 mobilenet_build.log 文件中rknn = RKNN(verbose=True, verbose_file='./mobilenet_build.log') # 只在屏幕打印详细的日志信息 rknn = RKNN(verbose=True)

2）配置不同参数

# mean_values 通道均值# std_values 方差, rknn是除以方差# quant_img_RGB2BGR 该参数是将量化图片格式又RGB转换为BGR，通常caffe训练的模型需要这个操作# quantized_algorithm 量化算法，normal 和 mmse, 不写该参数默认值为 normal, 其中：normal 量化速度快(推荐量化数据量一般为 20-100 张左右，更多的数据量下精度未必会有进一步提升), mmse 量化速度慢(推荐量化数据量一般为 20-50 张左右), 精度稍微比normal保持的好# quantized_method 量化方法 channel, layer可选; layer:每层的 weight 只有一套量化参数; channel:每层的 weight 的每个通道都有一套量化参数。默认使用channel# target_platform 可以用来配置不同的芯片, 目前支持 rk3566、rk3568、rk3588、rv1103、rv1106, 该参数的值大小写不敏感。rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], quant_img_RGB2BGR=True, quantized_algorithm='normal', quantized_method='channel', target_platform='rk3566')

模型加载

# RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet、PyTorch 等 模型的加载转换# 从当前路径加载 mobilenet_v2 的 caffe 模型 ret = rknn.load_caffe(model='./mobilenet_v2.prototxt', blobs='./mobilenet_v2.caffemodel')# 从当前目录加载 mobilenet_v2 的 onnx 模型，outputs 为 onnx输出层的名字（outputs可不写）ret = rknn.load_onnx(model = './mobilenet_v2.onnx', outputs=['output1', 'output2', 'output3'])

4）构建 RKNN 模型

# 构建 RKNN 模型# do_quantization 是否做量化(不做量化为float16)# dataset 为量化图片的路径# rknn_batch_size 为 batch_size 默认值为1（可以不写），建议 batch_size 小于 32ret = rknn.build(do_quantization=True, dataset='./data.txt', rknn_batch_size=1)

5）导出 RKNN 模型

# 将构建好的 RKNN 模型保存到当前路径的 mobilenet_v1.rknn 文件中 ret = rknn.export_rknn(export_path='./mobilenet_v1.rknn')

6）加载 RKNN 模型

# 从当前路径加载 mobilenet_v1.rknn 模型ret = rknn.load_rknn(path='./mobilenet_v1.rknn')

7）初始化运行时环境

# target 目标硬件平台，rk3566、rk3568、rk3588、rv1103、rv1106, 默认只为None。在 PC 使用工具时，模型在模拟器上运行，需要配置成None(或不配置该参数)。# device_id：设备编号，如果 PC 连接多台设备时，需要指定该参数，设备编号可以通 过 list_devices 接口查看。默认值为 None。# 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。ret = rknn.init_runtime(target=None, device_id=None, perf_debug=False, eval_mem=False)

模型推理

# inputs：待推理的输入，如经过 cv2 处理的图片。格式是 ndarray list。 # data_format：数据模式，可以填以下值：nchw, nhwc。默认值为nhwc。只对 4 维的输入有效。# 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，不透传 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。outputs = rknn.inference(inputs=[img])

9)模型性评估（模型必须运行板子上）

# 对模型性能进行评估rknn.eval_perf(inputs=[image], is_print=True)

获取内存使用情况（模型必须运行板子上）

# 对模型内存使用情况进行评估 memory_detail = rknn.eval_memory()

11） 查询 SDK 版本（模型必须运行板子上）

# 获取 SDK 版本信息sdk_version = rknn.get_sdk_version()print(sdk_version)

1-8步的完整代码

import osimport sysimport numpy as npimport cv2from rknn.api import RKNNONNX_MODEL = 'yolov5.onnx'RKNN_MODEL = 'yolov5.rknn'DATASET = './dataset.txt'QUANTIZE_ON = Truedef export_rknn_inference(img):# Create RKNN objectrknn = RKNN(verbose=True)# pre-process configprint('--> Config model')rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], quantized_algorithm='normal', quantized_method='channel', target_platform='rk3566')print('done')# Load ONNX modelprint('--> Loading model')ret = rknn.load_onnx(model=ONNX_MODEL, outputs=['output1', 'output2', 'output3'])if ret != 0:print('Load model failed!')exit(ret)print('done')# Build modelprint('--> Building model')ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET, rknn_batch_size=1)if ret != 0:print('Build model failed!')exit(ret)print('done')# Export RKNN modelprint('--> Export rknn model')ret = rknn.export_rknn(RKNN_MODEL)if ret != 0:print('Export rknn model failed!')exit(ret)print('done')# Init runtime environmentprint('--> Init runtime environment')ret = rknn.init_runtime(target=None, device_id=None, perf_debug=True)# ret = rknn.init_runtime(target='rk3566')if ret != 0:print('Init runtime environment failed!')exit(ret)print('done')# Inferenceprint('--> Running model')outputs = rknn.inference(inputs=[img])rknn.release()print('done')return outputsif __name__ == '__main__':print('This is main ....')# Set inputsimg_path = 'test.jpg'model_input_w = 512model_input_h = 512origimg = cv2.imread(img_path)origimg = cv2.cvtColor(origimg, cv2.COLOR_BGR2RGB)img = cv2.resize(origimg, (model_input_w , model_input_h ))outputs = export_rknn_inference(img)# 后处理'''........'''

测试RKNN提供的yolov5示例

1.4 转换代码+模型+测试图片+检测后处理

完整代码放在github上。代码

参考文档

[1] Rockchip_User_Guide_RKNN_Toolkit2_CN-1.3.0.pdf