RK3576 Yolov11训练部署教程-电子发烧友网

1. Yolo11简介

YOLO11 系列是 YOLO 家族中最先进的 (SOTA)、最轻量级、最高效的模型，其表现优于其前辈。它由 Ultralytics 创建，该组织发布了 YOLOv8，这是迄今为止最稳定、使用最广泛的 YOLO 变体。YOLO11 将延续 YOLO 系列的传奇。

本教程针对目标检测算法yolo11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. Yolo11模型训练

Yolov11训练代码在导出部分对比原版会有一些修改，建议下载我们的训练代码。百度网盘链接:

https://pan.baidu.com/s/1yLKZkCOVmfUlbnWbpl103A?pwd=1234

提取码: 1234。

2.1 数据集准备

在开始yolo11训练前，先准备好待训练数据，如VOC2007，下载链接：

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html

然后将VOC2007数据分成训练集和测试集两个目录，如下图示意：

2.2 Voc转Yolo

数据准备好后，使用data/voc_2_yolo.py脚本将Voc数据格式转成Yolo数据格式。转换完成后的数据存储在原数据同级目录的yolo_data下，如下图示意：

2.3 训练参数配置

数据转换完成后，在配置模型的训练参数：data.yaml，default.yaml，yolo11.yaml.

其中：

data.yaml：为待训练数据和验证数据的路径，以及类别数和类别名称；

default.yaml：为yolo11训练参数，可自行调整模型训练的参数；

Yolo11.yaml：为yolo11模型结构，在模型训练时，你需要修改类别数。

更多关于yolo11信息可参考：

https://blog.csdn.net/qq_45972324/article/details/143892222

2.4 模型训练

完成上述步骤后，就可以开始训练模型了，打开train.py脚本，输入data.yaml，default.yaml，yolo11.yaml路径，如下代码段所示：

fromultralyticsimportYOLOimportos
os.environ["KMP_DUPLICATE_LIB_OK"] ="TRUE" # 程序报OMP: Hint This means...错误时使用
if__name__ =='__main__': cfg ="./demo/voc2007/cfg/default.yaml" data ='./demo/voc2007/cfg/data.yaml' weight ="./demo/voc2007/cfg/yolo11.yaml" # pt 或 yolovx.yaml model = YOLO(weight)
results = model.train( data=data, cfg=cfg )

执行train.py训练脚本，开始模型训练，如下示意图：

pythontrain.py

注意：训练过程仅是为了演示流程，接下来模型预测和模型转换的都是yolov11默认的80类的模型。

2.5 PC端预测模型预测

训练完毕后，在default.yaml文件配置的project目录下保存训练过程，经验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果。打开predict.py脚本，配置好模型地址和待检测图片，如下代码段所示：

if__name__ =='__main__': random.seed(0) device_ ="cpu" imgsz = (640,640) model_path ="./demo/weights/yolo11s.pt" img_path ="./demo/images/bus.jpg" is_dir = os.path.isdir(img_path) device = select_device(device_) model = YOLO(model_path) # 图片预处理 ifis_dir: filenames = os.listdir(img_path) foridx, fileinenumerate(filenames): img_file = os.path.join(img_path, file) im = cv2.imread(img_file) # uint8 numpy array pre_img, ratio, padding = preprocess(im, device, imgsz) # 模型预测 # pred = model.predict(pre_img, augment=False)[0] # im = draw_result(im, pred, ratio, padding) pred = model.predict(im, augment=False)[0] im = draw_result(im, pred) cv2.imshow("dst", im) cv2.waitKey() else: im = cv2.imread(img_path) # uint8 numpy array pre_img, ratio, padding = preprocess(im, device, imgsz) # 模型预测 # pred = model.predict(pre_img, augment=False)[0] # im = draw_result(im, pred, ratio, padding) pred = model.predict(im, augment=False)[0] im = draw_result(im, pred) cv2.imshow("dst", im) cv2.waitKey()

执行脚本:

pythonpredict.py

运行脚本结果：

2.6 PT模型转ONNX

在PC端执行export.py将pt模型转成onnx，如下代码段所示：

from ultralytics import YOLO
if__name__ =='__main__': format ='rknn'#'torchscript','onnx','openvino','engine','coreml','saved_model','pb','tflite','edgetpu','tfjs','paddle','ncnn' weight ="./demo/weights/yolo11s.pt" # pt 或 yolovx.yaml model = YOLO(weight) results = model.export(format = format)

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:

dockerload --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。模型转换操作流程如下图所示：

4.1 模型转换Demo下载

下载百度网盘链接：

https://pan.baidu.com/s/1IiOeH15nYrNu8k1LkyFoVQ?pwd=1234

提取码：1234。

把 yolov11_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:/testrknn-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yolov11_model_convert和quant_dataset组成。yolov11_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:

Yolov11_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/yolov11_model_convert

如下图所示:

执行gen_list.py生成量化图片列表:

pythongen_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：

importsysfromrknn.apiimportRKNN
ONNX_MODEL ='yolov11s.onnx'DATASET ='./pic_path.txt'RKNN_MODEL ='./yolov11s_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) ifret !=0: print('Load model failed!') exit(ret) print('done')
# Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) ifret !=0: print('Build model failed!') exit(ret) print('done')
# Export rknn model print('--> Export rknn model') ret = rknn.export_rknn(RKNN_MODEL) ifret !=0: print('Export rknn model failed!') exit(ret) print('done')
# Release rknn.release()

把onnx模型yolov11s.onnx放到yolov11_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：

pythonrknn_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：