使用旭日X3派的BPU部署Yolov5

使用旭日X3派的BPU部署Yolov5 Tony 2023-06-12 13:47:53 596

本次主要介绍在旭日x3的BPU中部署yolov5。首先在ubuntu20.04安装yolov5,并运行yolov5并使用pytoch的pt模型文件转ONNX;然后将ONNX模型转换BPU模型;最后上板运行代码测试,并利用Cypython封装后处理代码。

一.安装Anaconda

Anaconda 是一个用于科学计算的 Python 发行版,支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。

a. 先去官方地址下载好对应的安装包

下载地址:https://www.anaconda.com/download/#linux

或使用国内源下载速度较快:Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

b.然后安装anaconda

bash ~/Downloads/Anaconda3-2023.03-Linux-x86_64.sh (bash ~/安装包位置/安装包名称)

全部选yes,anaconda会自动将环境变量添加到PATH里面,如果后面你发现输出conda提示没有该命令,那么你需要执行命令 source ~/.bashrc 更新环境变量,就可以正常使用了。 如果发现这样还是没用,那么需要添加环境变量。 编辑~/.bashrc 文件,在最后面加上

export PATH=/home/主机名称/anaconda3/bin:$PATH

注意:路径应改为自己机器上的路径
保存退出后执行: source ~/.bashrc 再次输入 conda list 测试看看,应该没有问题。

c.添加Aanaconda国内镜像配置

添加Aanaconda国内镜

conda config —add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config —add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config —set show_channel_urls yes像配置

二.安装pytorch,onnx

首先为pytorch创建一个anaconda虚拟环境,python=3.10,环境名字可自己确定,这里本人使用yolov5作为环境名:

conda create -n yolov5 python=3.10

进入创建的yolov5环境

conda activate yolov5

安装关键包ONNX

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

安装yolov5依赖的pytorch

pip install torch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0

三.yolov5项目克隆和安装

1.克隆yolov5项目

git clone -b (下载指定版本或下载最新把-b去掉即可)https://github.com/ultralytics/yolov5.git

2.使用清华源安装所需库

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

3.下载与训练的权重文件

https://pypi.tuna.tsinghua.edu.cn/simple 中找到下载版本的权重文件,并并放置在育yolov5文件夹下

4.安装测试

在yolov5路径下执行:python detect.py

5.pytorch的pt模型文件转onnx

BPU的工具链没有支持onnx的所有版本的算子,即当前BPU支持onnx的opset版本为10和11,执行:

python export.py —weights yolov5s.pt —include onnx —opset 11

转换成功后,控制台显示如下log信息,转换模型造yolov5文件夹下

四.ONNX模型转换

安装docker

可以使用鱼香ros一键安装Docker,安装完成之后输入命令sudo docker pull openexplorer/ai_toolchain_centos_7:v1.13.6之后自动开始docker的安装。配置天工开物OpenExplorer

OpenExplorer工具包的下载,需要wget支持,在ubuntu中安装wget, sudo apt-get install wget ,参考官网信息https://developer.horizon.ai/forumDetail/136488103547258769,
下载horizon_xj3_open_explorer

CPU Docker:

wget -c ftp://vrftp.horizon.ai/Open_Explorer_gcc_9.3.0/2.5.2/docker_openexplorer_ubuntu_20_xj3_cpu_v2.5.2_py38.tar.gz

启动docker

这一部分文件我参考https://blog.csdn.net/Zhaoxi_Li/article/details/125516265的文件

天工开物OpenExplorer根目录:

我的环境下是"/home/bingda/dd/horizon_xj3_openexplorer_v2.5.2_py38_doc"记得加双引号防止出现空格,该目录要挂载在docker中/open_explorer的目录下:

sudo docker run -it --rm -v "/home/bingda/dd/horizon_xj3_openexplorer_v2.5.2_py38_doc":/open_explorer-v "home/bingda/dd/Codes":/data/horizon_x3/codes \openexplorer/ai_toolchain_centos_7:v1.13.6已经成功通过Docker镜像进入了完整的工具链开发环境。 可以键入 hb_mapper --help命令验证下是否可以正常得到帮助信息。其中hb_mapper --help是工具链的一个常用工具。

创建一个文件(我这里角yolo)中,,把前面转好的yolov5s.onnx放进这个文件夹里,输入:

sudo docker run -it --rm -v "/home/bingda/dd/yolo":/bpucodes openexplorer/ai_toolchain_centos_7:v1.13.6

在docker中,进入bpucodes

模型检查

文件夹,开始我们的模型转换。输入指令hb_mapper checker --model-type onnx --march bernoulli2 --model yolov5s.onnx

开始检查模型,显示如下内容表示模型检查通过。

校准数据参考 https://blog.csdn.net/Zhaoxi\_Li/article/details/125516265
中yolov3的校准代码,输入prepare_calibration_data.py可以得到校准数据。

# 修改输入图像大小为640x640#
img = imequalresize(img, (640, 640))
# 指定输出的校准图像根目录

dst_root = '/data/horizon_x3/codes/yolov5/bpucodes/calibration_data

开始转换BPU模型

输入命令hb_mapper makertbin --config convert_yolov5s.yaml --model-type onnx

开始转换我们的模型。校准过后会输出每一层的量化损失,转换成功后,得到model_output/yolov5s.bin,这个文件拿出来,拷贝到旭日X3派上使用,它也是我们上板运行所需要的模型文件。

五.上板运行

文件准备

下载百度云的文件,拷贝到旭日X3派开发板中,其中yolov5s.bin就是我们转换后的模型,coco_classes.names仅用在画框的时候,如果用自己的数据集的话,参考coco_classes.names创建个新的名字文件即可。

输入sudo apt-get install libopencv-dev安装opencv库,之后进入代码根目录,输入python3 setup.py build_ext —inplace,编译后处理代码,得到lib/pyyolotools.cpython-38-aarch64-linux-gnu.so文件。

运行推理代码

模型推理的代码可参考https://blog.csdn.net/Zhaoxi\_Li/article/details/126651890
其中yolotools.pypostprocess_yolov5为C++实现的后处理功能。

这里补充旭日x3通过opencv调用摄像头,对每个图像进行实时处理

  1. import numpy as np
  2. import cv2
  3. import os
  4. from hobot_dnn import pyeasy_dnn as dnn
  5. from bputools.format_convert import imequalresize, bgr2nv12_opencv
  6. import lib.pyyolotools as yolotools
  7. def get_hw(pro):
  8. if pro.layout == "NCHW":
  9. return pro.shape[2], pro.shape[3]
  10. else:
  11. return pro.shape[1], pro.shape[2]
  12. def format_yolov5(frame):
  13. row, col, _ = frame.shape
  14. _max = max(col, row)
  15. result = np.zeros((_max, _max, 3), np.uint8)
  16. result[0:row, 0:col] = frame
  17. return result
  18. # # img_path 图像完整路径
  19. # img_path = '20220904134315.jpg'
  20. # model_path 量化模型完整路径
  21. model_path = 'yolov5s.bin'
  22. # 类别名文件
  23. classes_name_path = 'coco_classes.names'
  24. # 设置参数
  25. thre_confidence = 0.4
  26. thre_score = 0.25
  27. thre_nms = 0.45
  28. # 框颜色设置
  29. colors = [(255, 255, 0), (0, 255, 0), (0, 255, 255), (255, 0, 0)]
  30. #利用opencv读取摄像头,对每个图像进行实时处理
  31. cap = cv2.VideoCapture(0)
  32. i = 0
  33. while (1):
  34. ret, imgOri = cap.read()
  35. # 1. 加载模型,获取所需输出HW
  36. models = dnn.load(model_path)
  37. model_h, model_w = get_hw(models[0].inputs[0].properties)
  38. print(model_h, model_w)
  39. # 2 加载图像,根据前面模型,转换后的模型是以NV12作为输入的
  40. # 但在OE验证的时候,需要将图像再由NV12转为YUV444
  41. inputImage = format_yolov5(imgOri)
  42. img = imequalresize(inputImage, (model_w, model_h))
  43. nv12 = bgr2nv12_opencv(img)
  44. # 3 模型推理
  45. t1 = cv2.getTickCount()
  46. outputs = models[0].forward(nv12)
  47. t2 = cv2.getTickCount()
  48. outputs = outputs[0].buffer # 25200x85x1
  49. print('time consumption {0} ms'.format((t2-t1)*1000/cv2.getTickFrequency()))
  50. # 4 后处理
  51. image_width, image_height, _ = inputImage.shape
  52. fx, fy = image_width / model_w, image_height / model_h
  53. t1 = cv2.getTickCount()
  54. class_ids, confidences, boxes = yolotools.pypostprocess_yolov5(outputs[0][:, :, 0], fx, fy,
  55. thre_confidence, thre_score, thre_nms)
  56. t2 = cv2.getTickCount()
  57. print('post consumption {0} ms'.format((t2-t1)*1000/cv2.getTickFrequency()))
  58. # 5 绘制检测框
  59. with open(classes_name_path, "r") as f:
  60. class_list = [cname.strip() for cname in f.readlines()]
  61. t1 = cv2.getTickCount()
  62. for (classid, confidence, box) in zip(class_ids, confidences, boxes):
  63. color = colors[int(classid) % len(colors)]
  64. cv2.rectangle(imgOri, box, color, 2)
  65. cv2.rectangle(imgOri, (box[0], box[1] - 20), (box[0] + box[2], box[1]), color, -1)
  66. cv2.putText(imgOri, class_list[classid], (box[0], box[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, .5, (0,0,0))
  67. t2 = cv2.getTickCount()
  68. print('draw rect consumption {0} ms'.format((t2-t1)*1000/cv2.getTickFrequency()))
  69. # print('draw rect consumption {0} inputImage = format_yolov5(imgOri)')
  70. img = imequalresize(inputImage, (model_w, model_h))
  71. nv12 = bgr2nv12_opencv(img)
  72. k = cv2.waitKey(1)
  73. if k == 27: # 按下ESC退出窗口
  74. break
  75. elif k == ord('s'): # 按下s保存图片
  76. cv2.imwrite('./' + str(i) + '.jpg', imgOri)
  77. i += 1
  78. cv2.imshow("capture", imgOri)
  79. cap.release()

输入sudo python3 inference_bpu.py,效果演示如下图

六.利用Cython封装后处理代码

①写后处理的C++代码

首先,创建头文件yolotools.h,用来记录函数声明,方便其他代码调用。因为Cython调用时,调用C++的一些类并不方便,所以写成C语言接口更方便调用。后处理的函数名为postprocess_yolov5,创建 yolov5postprocess.cpp来对后处理函数进行实现。

②写Cython所需的Pyx文件
同级目录下创建pyyolotools.pyx,切记文件名不要跟某个CPP重复了,因为cython会将pyyolotools.pyx转为pyyolotools.cpp,如果有重复的话可能会导致文件被覆盖掉。

③写编译Pyx所需的python代码

创建setup.py文件,将下面代码放进去,配置好opencv的头文件目录、库目录、以及所需的库文件。在Extension中配置封装的函数所依赖的文件,然后在控制台输入python3 setup.py build_ext —inplace即 。

参考链接:

https://blog.csdn.net/Zhaoxi_Li/article/details/126651890

https://blog.csdn.net/Zhaoxi\_Li/article/details/125516265

声明:本文内容由易百纳平台入驻作者撰写,文章观点仅代表作者本人,不代表易百纳立场。如有内容侵权或者其他问题,请联系本站进行删除。
Tony
红包 点赞 收藏 评论 打赏
评论
0个
内容存在敏感词
手气红包
    易百纳技术社区暂无数据
相关专栏
置顶时间设置
结束时间
删除原因
  • 广告/SPAM
  • 恶意灌水
  • 违规内容
  • 文不对题
  • 重复发帖
打赏作者
易百纳技术社区
Tony
您的支持将鼓励我继续创作!
打赏金额:
¥1易百纳技术社区
¥5易百纳技术社区
¥10易百纳技术社区
¥50易百纳技术社区
¥100易百纳技术社区
支付方式:
微信支付
支付宝支付
易百纳技术社区微信支付
易百纳技术社区
打赏成功!

感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~

举报反馈

举报类型

  • 内容涉黄/赌/毒
  • 内容侵权/抄袭
  • 政治相关
  • 涉嫌广告
  • 侮辱谩骂
  • 其他

详细说明

审核成功

发布时间设置
发布时间:
是否关联周任务-专栏模块

审核失败

失败原因
备注
拼手气红包 红包规则
祝福语
恭喜发财,大吉大利!
红包金额
红包最小金额不能低于5元
红包数量
红包数量范围10~50个
余额支付
当前余额:
可前往问答、专栏板块获取收益 去获取
取 消 确 定

小包子的红包

恭喜发财,大吉大利

已领取20/40,共1.6元 红包规则

    易百纳技术社区