RK3576 yolov8训练部署教程

1. Yolov8简介

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的基于YOLOV5进行更新的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，鉴于Yolov5的良好表现，Yolov8在还没有开源时就收到了用户的广泛关注。其主要结构如下图所示：

本教程针对目标检测算法yolov8的训练和部署到EASY-EAI-Orin-nano(RK3576)进行说明，而数据标注方法可以参考我们往期的文章。

2. Yolov8目标检测算法训练

通过git工具，在PC端克隆远程仓库（注：此处可能会因网络原因造成卡顿，请耐心等待），修改过算子后的yolov8仓库: https://github.com/airockchip/ultralytics_yolov8 。

3. rknn-toolkit模型转换

3.1 rknn-toolkit模型转换环境搭建

onnx模型需要转换为rknn模型才能在EASY-EAI-Orin-nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。

3.1.1 概述

模型转换环境搭建流程如下所示：

3.1.2 下载模型转换工具

为了保证模型转换工具顺利运行，请下载网盘里“06.AI算法开发/01.rknn-toolkit2模型转换工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。
网盘下载链接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234提取码：1234。

3.1.3 把工具移到ubuntu20.04

把下载完成的docker镜像移到我司的虚拟机ubuntu20.04的rknn-toolkit2目录,如下图所示：

3.1.4 运行模型转换工具环境

在该目录打开终端：

执行以下指令加载模型转换工具docker镜像:

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

执行以下指令进入镜像bash环境:

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

现象如下图所示:

输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:

至此，模型转换工具环境搭建完成。

4. 模型转换为RKNN

EASY-EAI-Orin-nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。 模型转换操作流程入下图所示：

4.1 模型转换Demo下载

下载百度网盘链接:https://pan.baidu.com/s/1LGsDf9576UOMZMvsc12VeA?pwd=1234 提取码：1234。

把 yolov8_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:

4.2 进入模型转换工具docker环境

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit2/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射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

执行成功如下图所示:

4.3 模型转换操作说明

4.3.1 模型转换Demo目录结构

模型转换测试Demo由yolov8_model_convert和quant_dataset组成。Yolov8_model_convert存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:

Yolov8_model_convert文件夹存放以下内容，如下图所示：

4.3.2 生成量化图片列表

在docker环境切换到模型转换工作目录:

cd /test/yolov8_model_convert

如下图所示:

执行gen_list.py生成量化图片列表:

python gen_list.py

命令行现象如下图所示:

生成“量化图片列表”如下文件夹所示:

4.3.3 onnx模型转换为rknn模型

rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：

import sys
from rknn.api import RKNN

ONNX_MODEL = 'yolov8m.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov8m_rk3576.rknn'
QUANTIZE_ON = True


if __name__ == '__main__':

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

    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform='rk3576')
    print('done')

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

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

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

    # Release
    rknn.release()

把onnx模型yolov8m.onnx放到yolov5_model_convert目录(后续用户使用自己的模型的时候，替换掉对应的onnx即可)，并执行rknn_convert.py脚本进行模型转换：

python rknn_convert.py

生成模型如下图所示，此模型可以在rknn环境和EASY EAI Orin-nano环境运行：

5. 模型部署示例

5.1 模型部署示例介绍

本小节展示yolov8模型的在EASY EAI Orin nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。

5.2 源码下载以及例程编译

下载yolov8 C Demo示例文件。
百度网盘链接:https://pan.baidu.com/s/1gNhQXw_ewh73UIfJQxW7jg?pwd=1234 提取码：1234。
下载程序包移至ubuntu环境后，执行以下指令解压：

tar -xvf yolov8_detect_C_demo.tar.bz2

下载解压后如下图所示:

通过adb接口连接EASY-EAI-Orin-nano，连接方式如下图所示:

接下来需要通过adb把源码传输到板卡上，先切换目录然后执行以下指令：

cd ~/rknn-toolkit2
adb push yolov8_detect_C_demo /userdata

登录到板子切换到例程目录执行编译操作：

adb shell
cd /userdata/yolov8_detect_C_demo
chmod 777 build.sh
./build.sh

5.3 在开发板执行yolov8目标检测算法

编译成功后切换到可执行程序目录，如下所示：

cd /userdata/yolov8_detect_C_demo/yolov8_detect_demo_release

运行例程命令如下所示：

chmod 777 yolov8_detect_demo
./yolov8_detect_demo yolov8m_rk3576.rknn test.jpg

执行结果如下图所示,yolov8m算法执行时间为84ms：

退出板卡环境，取回测试图片:

exit
adb pull /userdata/yolov8_detect_C_demo/yolov8_detect_demo_release/result.jpg .

测试结果如下图所示:

至此，yolov8目标检测例程已成功在板卡运行。

6. 资料下载

审核编辑 黄宇