0
点赞
收藏
分享

微信扫一扫

YOLO-V5 系列算法和代码解析(八)—— 模型移植

文章目录

工程目标

将自己训练的目标检测模型【YOLO-V5s】移植到瑞芯微【356X】芯片平台,使用C++推理,最终得到预期的结果。

芯片参数

芯片参数介绍:https://www.rock-chips.com/a/cn/product/RK35xilie/2021/0113/1273.html
CPU:四核,1.8GHZ.
NPU:1TOPs@Int8,每秒一万亿次运算。
在这里插入图片描述
在这里插入图片描述

查阅官方文档

通常每一款芯片都有其对应的使用文档和工具链,以此作为开发的参考。通过官方文档,可以确认开发环境(Ubuntu, python版本等),工具链版本,不同深度学习框架的Demo,以及一些特别的注意事项等。

基本流程

Python 版工具链安装

下图是Python版本工具链目录结构,在【DOC】目录中提供了英文版和中文版的使用文档。
在这里插入图片描述
初次使用该工具链的时候,仔细阅读如下文档:

本教程使用【pip】的方式安装,docker也是官方建议的安装方式,看自己对哪种方式更为熟悉。结合文档的流程,具体操作过程如下:


RKNPU2的编译以及使用方法

主要介绍板子上为Linux系统64位的编译以及使用,具体流程如下:

移植自己训练的模型

移植自己训练的YOLOV5s,由于应用任务场景的不同,输出与官方YOLOV5的输出略有差异。与官方的Demo相比,需要修改一些输出的尺寸。具体流程如下:

举报

相关推荐

0 条评论