您当前的位置： 首页 >> 电娱要闻

基于RK3576开发板的resnet50训练部署教程

作者：北京安富宝电子交流圈电子网　日期：2025-05-18　点击数：1

1. Resnet50简介

ResNet50收集是2015年由微硬尝试室的何恺明提出，取得ILSVRC2015图象分类比赛第一位。正在ResNet收集提出之前，传统的卷积神经收集皆是将一系列的卷积层战池化层堆叠失掉的，但当收集堆叠到必然深度时，便会呈现退步成绩。 残好收集的特性是轻易劣化，而且可以经过添加相称的深度去进步精确率。其外部的残好块运用了腾跃衔接，减缓了正在深度神经收集中添加深度带去的梯度消逝成绩。

本教程基于图象分类算法ResNet50的练习战摆设到EASY-EAI-Orin-nano(RK3576)停止阐明。

wKgZPGgnAAGAK7OWAAAnji5YTzQ462.png

2. 预备数据散

2.1 数据散下载

本教程以车辆分类算法为例，数据散的百度网盘下载链接为:

https://pan.百度.com/s/1BhSF1PklkTQHg4vWGiRKow?pwd=1234 提与码：1234

解压完成后失掉以下两个文件夹：

wKgZO2gnAAGAZEfyAAAbikNqsjI660.png

翻开能够看到一共10类汽车：

wKgZPGgnAAGADdr-AAA9OZ7FxSY982.png

种别称号取种别索引干系以下所示：

种别称号 种别索引号
SUV 0
BUS 1
family sedan 2
fire engine 3
heavy truck 4
jeep 5
mini bus 6
racing car 7
taxi 8
truck 9

3. ResNet50图象分类练习

3.1 练习源码下载

练习源码的百度网盘下载链接为:

https://pan.百度.com/s/1-jDyeJEkBqEt0gbnMOdhPw?pwd=1234 提与码：1234

失掉下图所示目次：

wKgZO2gnAAGAd6glAABAh4Ff1nI113.png

把数据散解压到以后目次：

wKgZPGgnAAKAFwSHAABGtG-D1mw916.png

3.2 练习模子

进进anconda的pyTorch情况，切换到练习源码目次履行以下指令开端练习：

python train.py

履行后果以下图所示:

wKgZPGgnAAKADQfaAADOZJRMJ4w314.png

练习完毕后test loss后果以下所示:

wKgZO2gnAAKAH3BMAABiVOvb3Jo934.png

练习完毕后test accuracy后果以下所示:

wKgZPGgnAAKAVgw1AABxfnQy540456.png

死成的最劣模子以下所示：

wKgZO2gnAAOANJJTAACZv7Dqmdw670.png

3.3 正在PC端测试模子

正在练习源码目次履行以下指令，测试模子(死成模子称号纷歧致则修正predict.py剧本):

python predict.py

wKgZO2gnAAOABn5wAAA1wV_yl_s558.png

后果种别索引号为1——BUS, 测试后果准确。

wKgZPGgnAAOACJIuAAMqn-WcpzQ561.jpg

3.4 pth模子转换为onnx模子

履行以下指令把pytorch的pth模子转换onxx模子：

python pth_to_onnx.py

wKgZO2gnAAOAF6sGAACucEDhcGs133.png

死成ONNX模子以下所示:

wKgZPGgnAAOAUafpAAB2YwOacMM408.png

4. rknn-toolkit模子转换

4.1 rknn-toolkit模子转换情况拆建

onnx模子需求转换为rknn模子才干正在EASY-EAI-Orin-nano运转，以是需求先拆建rknn-toolkit模子转换东西的情况。固然tensorflow、tensroflow lite、caffe、darknet等也是经过相似的办法停止模子转换，只是本教程onnx为例。

4.1.1 概述

模子转换情况拆建流程以下所示：

wKgZO2gnAASAPYy-AAAxiiEbB5I025.png

4.1.2 下载模子转换东西

为了包管模子转换东西顺遂运转，请下载网盘里“06.AI算法开辟/01.rknn-toolkit2模子转换东西/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

网盘下载链接:https://pan.百度.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234提与码：1234

4.1.3 把东西移到ubuntu20.04

把下载完成的docker镜像移到我司的实拟机ubuntu20.04的rknn-toolkit2目次,以下图所示：

wKgZPGgnAASAKISwAACIUiaLuRs249.png

4.1.4 运转模子转换东西情况

正在该目次翻开末端

wKgZO2gnAASASoQeAAC3K-nNJbw498.png

履行以下指令减载模子转换东西docker镜像:

docker load --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

履行以下指令进进镜像bash情况:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38 /bin/bash

景象以下图所示:

wKgZPGgnAAWAAiqmAABwE02CuRY552.png

输出“python”减载python相干库，测验考试减载rknn库，以下图情况测试胜利:

wKgZPGgnAAWAGFxgAACYXiExqnY931.png

至此，模子转换东西情况拆建完成。

4.2 模子转换为RKNN

EASY-EAI-Orin-nano撑持.rknn后缀的模子的评价及运转，关于罕见的tensorflow、tensroflow lite、caffe、darknet、onnx战Pytorch模子皆能够经过我们供给的 toolkit 东西将其转换至 rknn 模子，而关于其他框架练习出去的模子，也能够先将其转至 onnx 模子再转换为 rknn 模子。 模子转换操纵流程进下图所示：

wKgZO2gnAAWASOJZAADs6Nc6CgM442.png

4.2.1 模子转换Demo下载

下载百度网盘链接：https://pan.百度.com/s/1ZrTRTFqcJpYz5hNl4Fk-Jw 提与码：1234。把resnet50_model_convert.tar.bz2战quant_dataset.zip解压到实拟机，以下图所示:

wKgZPGgnAAWAFbDgAACDt50JtN8683.png

4.2.2 进进模子转换东西docker情况

履行以下指令把任务地区映照进docker镜像，此中/home/developer/rknn-toolkit2/model_convert为任务地区，/test为映照到docker镜像，/dev/bus/usb:/dev/bus/usb为映照usb到docker镜像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert:/test rknn-toolkit2:2.3.0-cp38 /bin/bash

履行胜利以下图所示:

wKgZO2gnAAaALklzAAB1LsA06K0526.png

4.2.3 模子转换Demo目次引见

模子转换测试Demo由resnet50_model_convert战quant_dataset构成。resnet50_model_convert寄存硬件剧本，quant_dataset寄存量化模子所需的数据。以下图所示:

wKgZPGgnAAaAIUkJAACpE_x6ZLI304.png

resnet50_model_convert文件夹寄存以下内容，以下图所示:

wKgZO2gnAAaAGJx6AACT_o4yZzU086.png

4.2.4 死成量化图片列表

正在docker情况切换到模子转换任务目次:

cd /test/resnet50_model_convert

以下图所示:

wKgZPGgnAAaALJCbAAB-InWZlpM030.png

履行gen_list.py死成量化图片列表:

python gen_list.py

号令止景象以下图所示:

wKgZO2gnAAaAcRXpAACbGwsLAq8035.png

死成“量化图片列表”以下文件夹所示:

wKgZPGgnAAeAbY-sAACInl5lAYw677.png

4.2.5 onnx模子转换为rknn模子

rknn_convert.py剧本默许停止int8量化操纵，剧本代码浑单以下所示：

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN


ONNX_MODEL = '10class_ResNet50.onnx'
RKNN_MODEL = './10class_ResNet50_rk3576.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True



if __name__ == '__main__':

	# Create RKNN object
	rknn = RKNN(verbose=False)

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

	# pre-process config
	print('--> Config model')
	rknn.config(mean_values=[[123.67, 116.28,103.53]],
		    std_values=[[58.395, 57.12, 57.375]],
		    target_platform = 'rk3576')
	print('done')

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

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

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

	rknn.release()

把onnx模子10class_ResNet50.onnx放到resnet50_model_convert目次，并履行rknn_convert.py剧本停止模子转换：

python rknn_convert.py

死成模子以下图所示，此模子能够正在rknn-toolkit情况战EASY EAI Orin nano情况运转：

wKgZO2gnAAeAHQF6AAIothJ5PLU962.png

5. ResNet50图象分类摆设

5.1 模子摆设示例引见

本大节展现ResNet50模子的正在EASY EAI Orin nano的摆设进程，该模子仅颠末复杂练习供示例运用，没有包管模子粗度。

5.2 源码下载和例程编译

下载ResNet50 C Demo示例文件。

百度网盘链接: (https://pan.百度.com/s/1fW0EUqEc-DxNPQiYfq6c4w?pwd=1234 提与码：1234)。

下载顺序包移至ubuntu情况后，履行以下指令解压：

tar -xvf resnet50_classification_C_demo.tar.bz2

下载解压后以下图所示:

wKgZPGgnAAeAPA7vAACW4mj_4SM387.png

经过adb接心衔接EASY-EAI-Orin-nano，衔接体例以下图所示:

wKgZO2gnAAeAB_wLABPnfd1PZu8336.png

接上去需求经过adb把源码传输到板卡上，先切换目次然后履行以下指令：

cd ~/rknn-toolkit2
adb push resnet50_classification_C_demo /userdata
wKgZPGgnAAiAS6CFAADDkr9eNfo279.png

登录到板子切换到例程目次履行编译操纵：

adb shell
cd /userdata/resnet50_classification_C_demo
chmod 777 build.sh
./build.sh
wKgZO2gnAAiAaZB4AAJLCKM643U929.png

5.3 正在开辟板履行ResNet50 图象分类算法

编译胜利后切换到可履行顺序目次，以下所示：

 cd /userdata/resnet50_classification_C_demo/resnet_classification_demo_release/

运转例程号令以下所示：

chmod 777 resnet_classification_demo
./resnet_classification_demo

履行后果以下图所示，算法履行工夫约为9.7ms:

wKgZPGgnAAiATjzbAAFT3VxjqOM185.png

至此，ResNet50图象分类例程已胜利正在板卡运转。

6. 材料下载

材料称号 链接
算法教程完好源码包 https://pan.百度.com/s/1guL3LGXOe2_wGxlfzQb_YA?pwd=1234
提与码：1234



考核编纂 黄宇

本站所有文章、数据、图片均来自网友原创提供和互联网,一切版权均归源网站或源作者所有。

如果侵犯了你的权益请来信告知我们删除。邮箱：

标签：部署训练开发板教程

上一篇：基于RK3576开发板的AI算法开发流程

下一篇：基于RK3576开发板的yolov5训练部署教程

猜你喜欢