RK3588部署yolov7记录

yolov7模型转换

yolov7源码下载：git clone https://github.com/WongKinYiu/yolov7

下载模型文件：https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt

将yolov7-tiny.pt移至yolov7源码目录下；

保证环境已搭建好,可以参照--> https://kdocs.cn/l/cgVHWhrSuPjJ

打开Prompt 创建一个新的环境

conda creat -n yolov7 python=3.8

conda activate yolov7

进入到yolov7文件夹

首先需要安装requierment.txt的包

执行 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

conda list查看版本是否正确

可以看到安装的是cpu版本，但我们需要切换到GPU版本

执行:

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1+cu118 --extra-index-url

https://download.pytorch.org/whl/cu113

现在就是GPU版本了

ctrl+c可以中断识别

运行前需要对代码进行部分更改

打开\yolov7\model\yolo.py

将以下代码

改为

pip install onnx -i https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host pypi.tuna.tsinghua.edu.cn

执行：python export.py  --weights yolov7-tiny.pt --img-size 640 640 --max-wh 640

编译成功后输出yolov7-tiny.onnx模型

复制一个yolov5改名为yolov7_tiny

将yolov7-tiny.onnx拷贝至里面

打开test.py

更改为yolov7-tiny

打开netron-- https://netron.app/，选择yolov7.onnx,点击263，可以看到右边的三个参数为output，262,263

更改一下output

这里同时进行了混合量化

如果要连接板端则需要填上设备号，可以通过adb devices查看

最后进入docker：

sudo docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/warren/RK_NPU_SDK_1.3.0/rknn-toolkit2-1.3.0/examples/onnx/yolov7_tiny:/rknn_yolo7_demo rknn-toolkit2:1.3.0-cp36 /bin/bash

执行python ./test.py，可以看到模型转换成功,同时查看推理结果

接着我们需要将转换好的模型放到板端进行推理

RKnpu

首先我们先复制一份未编译过的rknn_yolov5_demo，改名为yolov7-_tiny，打开build-linux_RK3588.sh ，将红框改为你自己的路径;将之前生成的rknn文件拷贝到/rknpu2_1.3.0/examples/yolov7/model/RK3588下

可以把cmake文件的yolov5全部替换为yolov7；

./build-linux_RK3588.sh

进入到install文件夹下，可以看到生成了rknn_yolov7_demo_Linux文件夹

push到板端 adb push rknn_yolov7_demo_Linux/ /data

./rknn_yolov7_demo ./model/RK3588/yolov7-tiny.rknn ./model/dag_cat_chair.jpg

把生成的out.jpg pull下来

adb pull /data/rknn_yolov5_demo_Linux/out.jpg  ./

查看

至此，rk3588 yolov7部署完成；