说明

实现在yolov5训练出模型，然后在rv1126设备上运行。

操作过程简述

在YOLOV5中训练出 xxx.pt 模型
将pt转为onnx模型
将onnx转为rknn模型
部署rknn模型
环境特别说明
YOLOV5的运行环境是python3.8的，而rv1126的开发环境toolkit目前只支持到python 3.6的（linux），因此，需要两个python的环境
环境的管理采用conda

YOLOV5 环境 (python 3.8)

1. 下载YOLOV5的代码: https://github.com/airockchip/yolov5 f022f01b2070dfd415c4eb8f33da2677afe8bfa2

2. 修改 requirements.txt， 要打开 onnx coremltools

   # export --------------------------------------
   
   coremltools==4.0
   onnx>=1.8.0
   
   # scikit-learn==0.19.2  # for coreml quantization

3. 安装requirements.txt (采用清华源，比较快)

   pip3 install -r requirements.txt -i <https://pypi.tuna.tsinghua.edu.cn/simple>

4. 训练出 pt 文件

   # 以训练 coco128 为例
   
   python3.8 train.py --img 640 --batch 16 --epochs 5 --device cpu --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml
   

注：这里训练默认会以 yolov5s.pt 作模版训练的，如果是全新训练的话，需要改一下 --weights ‘’, 训练完成后，可先执行如下操作验证一下

python3 detect.py --source $1 --weight yolov5s.pt --conf-thres 0.3 --device cpu

5. 转换为 onnx 文件

python3.8 models/export.py --weights yolov5s.pt --img 640 --batch 1

接下来就转到 rknn-toolkit的环境

rknn-toolkit 环境 (python 3.6)

1. 环境安装

   <https://github.com/rockchip-linux/rknn-toolkit>

2. onnx 转为 rknn
   可参考 toolkit/example/onnx/yolov5/test.py 写一个转成rknn的即可

3. 在RV1126 的部署（python版）
   toolkit 是支持python 或者C API的， 这里部署 python 版的.
   注意：由于 rv1126 版本是仅支持 RKNNLite ，因此需要将toolkit 的 example 改为 RKNNLite

问题

1. _pickle.UnpicklingError: STACK_GLOBAL requires str
   在使用YOLOv5进行训练时，可能会出现_pickle.UnpicklingError: STACK_GLOBAL requires str 这样的错误，解决办法是，将数据集中的labels.cache文件删掉

2. RuntimeError: a view of a leaf Variable that requires grad is being used in an in-place
   https://blog.csdn.net/weixin_44612221/article/details/115359866
   找到在File "models\yolo.py"的line 145
   将代码修改为：

   def _initialize_biases(self, cf=None):  # initialize biases into Detect(), cf is class frequency
           # cf = torch.bincount[torch.tensor(np.concatenate(dataset.labels, 0](:, 0)).long(), minlength=nc) + 1.
           m = self.model[-1]  # Detect() module
           for mi, s in zip(m.m, m.stride):  # from
               b = mi.bias.view(m.na, -1)  # conv.bias(255) to (3,85)
               with torch.no_grad():
                   b[:, 4] += math.log(8 / (640 / s) ** 2)  # obj (8 objects per 640 image)
                   b[:, 5:] += math.log(0.6 / (m.nc - 0.99)) if cf is None else torch.log(cf / cf.sum())  # cls
               mi.bias = torch.nn.Parameter(b.view(-1), requires_grad=True)

3. AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor
   https://blog.csdn.net/weixin_43401024/article/details/124428432
   1.点击报错行该路径，进入编辑页, upsampling.py 修改forward函数

   return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners)