RK3399pro yolov5人工智能加速推理解决方案

0. 前言：

本文介绍了YOLOv5s算法在国产瑞芯微电子RK3399ProD上的部署推理.介绍整个的流程，并基于RK3399Pro简单的介绍下RKNN的Python接口使用，并记录一些踩过的坑。本文仅做交流使用，文中有什么理解的不到位的或者谬误，也欢迎大家能够交流下。

1. 部署流程

1. 在服务器端或者电脑端进行训练，训练完成后将.pt文件转换成ONNX格式
2. 电脑端使用rknn-toolkit1.6.0将ONNX模型转换成RKNN模型
3. RK3399Pro中进行模型推理 其中第二步，转换模型，可以在装了rknn-toolkit的rk3399Pro中，之前不知道的时候都是在这个开发板中进行转换的，不过还是建议在电脑端Ubuntu18.04系统下进行转换，可以将量化的batch设置的大一些,量化的速度快一些。
4. 本文采用的开发板为信迈科技XM-3399-02

2. 环境准备

环境问题可能是比较棘手的问题，因为好多人都是在这个问题上出现了各种各样的bug，最好的办法是直接在Ubuntu上拉取他们提供的docker，直接拉取，环境都给配置好了，然后转换模型。 然后开发板选择官方的开发板，官方的开发板环境是最友好的，官方的RK3399Pro里面给安装好了环境，不怎么需要配置环境，不怎么会遇到问题，用于算法的验证还是很好的。

接下来是我在Ubuntu上配置的环境(使用的比较笨的方法QAQ)，该环境是根据RKNN提供的手册进行安装的，其中，想要安装最终的rknn-toolkit1.6.0及以上版本，需要提前安装好依赖库，并且依赖库的版本要求非常的严格，版本不能有任何的不一样，在​​Rockchip_Quick_Start_RKNN_Toolkit_V1.6.1_CN.pdf​​​文件中。 在Ubuntu上，我安装的是3.6版本的Python，其余的环境是按照下面的库依赖，严格配置的。安装好依赖库之后，去rockchip的官方仓库下载编译好的whl文件，直接在环境中​​pip install + xxx.whl​​就行了

rockchip官方git  ​​https://github.com/rockchip-linux/rknn-toolkit​​

3. 服务器端或者电脑端训练YOLOv5s

项目地址： ​​https://github.com/littledeep/YOLOv5-RK3399Pro​​

训练这部分并不用多说什么，仓库拉出来，根据自己的数据集改好参数，然后进行训练，YOLOv5的训练还是挺友好的。

不过训练YOLOv5的过程中，我选择在common文件中，将silu层全部换成了RuLe层，因为对准换后的RKNN模型有加速作用，这样总体的mAP会稍微降一些，经过测试总体的mAP降低的。
 

​​Rockchip_Developer_Guide_RKNN_Toolkit_Custom_OP_V1.6.1_CN.pdf​​在该文件中有详细的解释，使用ReLU激活层会融合一些层，从而进行优化。

4. 模型转换--->ONNX

根据github项目需要先将PyTorch训练出的.pt模型转换成ONNX格式。根据项目的Repo直接转换即可。 在命令行输入 ：
​​​python3 models/export_op.py --rknn_mode​​ 即可。

5. 模型转换--->RKNN

将转换出来的模型xxxx.onnx复制到convert文件夹下面，convert文件夹需要有转换脚本，dataset.txt的量化文件，量化图片。量化的图片建议200张，batch尽量设置的大一些。 在命令行输入：
​​​python rknn_convert.py​​ rknn_convert.py文件代码

import yaml
from rknn.api import RKNN
import cv2

_model_load_dict = {
    'caffe': 'load_caffe',
    'tensorflow': 'load_tensorflow',
    'tflite': 'load_tflite',
    'onnx': 'load_onnx',
    'darknet': 'load_darknet',
    'pytorch': 'load_pytorch',
    'mxnet': 'load_mxnet',
    'rknn': 'load_rknn',
    }

yaml_file = './config.yaml'


def main():
    with open(yaml_file, 'r') as F:
        config = yaml.load(F)
    # print('config is:')
    # print(config)

    model_type = config['running']['model_type']
    print('model_type is {}'.format(model_type))#检查模型的类型

    rknn = RKNN(verbose=True)



#配置文件
    print('--> config model')
    rknn.config(**config['config'])
    print('done')


    print('--> Loading model')
    load_function = getattr(rknn, _model_load_dict[model_type])
    ret = load_function(**config['parameters'][model_type])
    if ret != 0:
        print('Load yolo failed! Ret = {}'.format(ret))
        exit(ret)
    print('done')

    ####
    #print('hybrid_quantization')
    #ret = rknn.hybrid_quantization_step1(dataset=config['build']['dataset'])


    if model_type != 'rknn':
        print('--> Building model')
        ret = rknn.build(**config['build'])
        print('acc_eval（inputs='./dataset1.txt', target='rk3399pro')
        print('acc_eval（'Build yolo failed!')
            exit(ret)
    else:
        print('--> skip Building model step, cause the model is already rknn')


#导出RKNN模型
    if config['running']['export'] is True:
        print('--> Export RKNN model')
        ret = rknn.export_rknn(**config['export_rknn'])
        if ret != 0:
            print('Init runtime environment failed')
            exit(ret)
    else:
        print('--> skip Export model')


#初始化
    print('--> Init runtime environment')
    ret = rknn.init_runtime(**config['init_runtime'])
    if ret != 0:
        print('Init runtime environment failed')
        exit(ret)
    print('done')


    print('--> load img')
    img = cv2.imread(config['img']['path'])
    print('img shape is {}'.format(img.shape))
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    inputs = [img]
    print(inputs[0][0:10,0,0])
#推理
    if config['running']['inference'] is True:
        print('--> Running model')
        config['inference']['inputs'] = inputs
        #print(config['inference'])
        outputs = rknn.inference(inputs)
        #outputs = rknn.inference(config['inference'])
        print('len of output {}'.format(len(outputs)))
        print('outputs[0] shape is {}'.format(outputs[0].shape))
        print(outputs[0][0][0:2])
    else:
        print('--> skip inference')
#评价
    if config['running']['eval（'--> Begin eval（inputs=[img])
    else:
        print('--> skip eval（)

running:
  model_type: onnx       # 转换模型的类型
  export: True               # 转出模型
  inference: False     
  eval（231, 243, 237); padding: 0px 3px; border-radius: 4px; overflow-wrap: break-word; text-indent: 0px;">​Rockchip_User_Guide_RKNN_Toolkit_V1.6.1_CN.pdf​​
6. RK3399Pro中模型推理
 在detect文件夹下，其中data/image下面放的是需要检测的图片，在models文件夹下放的是转换的RKNN模型
最后点开shell 执行：
 python rknn_detect_for_yolov5_original.py
 即可 在开发板中会生成模型推理的结果和时间
推理的时间比较快，60毫秒左右，这个推理速度和我在笔记本电脑（3060）上使用模型detect的速度是差不多的。
7.模型预编译
 解决模型的加载时间过长的问题
from rknn.api import RKNN
if __name__ == '__main__':
    # Create RKNN object
    rknn = RKNN()
# Load rknn model
ret = rknn.load_rknn('./best_as_200.rknn')
if ret != 0:
    print('Load RKNN model failed.')
    exit(ret)
# init runtime
ret = rknn.init_runtime(target='rk3399pro', rknn2precompile=True)
if ret != 0:
    print('Init runtime failed.')
    exit(ret)
# Note: the rknn2precompile must be set True when call init_runtime
ret = rknn.export_rknn_precompile_model('./best_pre_compile.rknn')
if ret != 0:
    print('export pre-compile model failed.')
    exit(ret)
rknn.release()
 转换的环境是在RK3399Pro中，方法很笨但是有效。

将生成的模型继续使用模型的推理代码，在RK3399Pro中进行预测，模型推理速度50毫秒左右，有20FPS，使用Python接口还是比较快的了。
Reference:

 ​​https://github.com/EASY-EAI/yolov5​​​
 
​​​https://github.com/soloIife/yolov5_for_rknn​​​
 
​​​https://github.com/ultralytics/yolov5​​​
 
​​​https://github.com/rockchip-linux/rknn-toolkit​​​