RK3576 Yolov11训练部署教程

1. Yolo11简介

YOLO11 系列是 YOLO 家族中最先进的 (SOTA)、最轻量级、最高效的模型，其表现优于其前辈。它由 Ultralytics 创建，该组织发布了 YOLOv8，这是迄今为止最稳定、使用最广泛的 YOLO 变体。YOLO11 将延续 YOLO 系列的传奇。

本教程针对目标检测算法yolo11的训练和部署到EASY-EAI-Orin-nano(RK3576)进行说明，而数据标注方法可以参考我们往期的文章。

2. Yolo11模型训练

Yolov11训练代码在导出部分对比原版会有一些修改，建议下载我们的训练代码。

2.1 数据集准备

在开始yolo11训练前，先准备好待训练数据，如VOC2007，下载链接：

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html

然后将VOC2007数据分成训练集和测试集两个目录，如下图示意：

2.2 Voc转Yolo

数据准备好后，使用data/voc_2_yolo.py脚本将Voc数据格式转成Yolo数据格式。转换完成后的数据存储在原数据同级目录的yolo_data下，如下图示意：

2.3 训练参数配置

数据转换完成后，在配置模型的训练参数：data.yaml，default.yaml，yolo11.yaml.

其中：

data.yaml：为待训练数据和验证数据的路径，以及类别数和类别名称；

default.yaml：为yolo11训练参数，可自行调整模型训练的参数；

Yolo11.yaml：为yolo11模型结构，在模型训练时，你需要修改类别数。

更多关于yolo11信息可参考：

https://blog.csdn.net/qq_45972324/article/details/143892222

2.4 模型训练

完成上述步骤后，就可以开始训练模型了，打开train.py脚本，输入data.yaml，default.yaml，yolo11.yaml路径，如下代码段所示：

 

from ultralytics import YOLO
import os


os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"  # 程序报OMP: Hint This means...错误时使用


if __name__ == '__main__':
    cfg = "./demo/voc2007/cfg/default.yaml"
    data = './demo/voc2007/cfg/data.yaml'
    weight = "./demo/voc2007/cfg/yolo11.yaml"  # pt 或 yolovx.yaml
    model = YOLO(weight)


    results = model.train(
        data=data,
        cfg=cfg
    )

 

执行train.py训练脚本，开始模型训练，如下示意图：

 

python train.py

 

注意：训练过程仅是为了演示流程，接下来模型预测和模型转换的都是yolov11默认的80类的模型。

2.5 PC端预测模型预测

训练完毕后，在default.yaml文件配置的project目录下保存训练过程，经验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果。打开predict.py脚本，配置好模型地址和待检测图片，如下代码段所示：

 

if __name__ == '__main__':
    random.seed(0)
    device_ = "cpu"
    imgsz = (640, 640)
    model_path = "./demo/weights/yolo11s.pt"
    img_path = "./demo/images/bus.jpg"
    is_dir = os.path.isdir(img_path)
    device = select_device(device_)
    model = YOLO(model_path)
    # 图片预处理
    if is_dir:
        filenames = os.listdir(img_path)
        for idx, file in enumerate(filenames):
            img_file = os.path.join(img_path, file)
            im = cv2.imread(img_file)  # uint8 numpy array
            pre_img, ratio, padding = preprocess(im, device, imgsz)
            # 模型预测
            # pred = model.predict(pre_img, augment=False)[0]
            # im = draw_result(im, pred, ratio, padding)
            pred = model.predict(im, augment=False)[0]
            im = draw_result(im, pred)
            cv2.imshow("dst", im)
            cv2.waitKey()
    else:
        im = cv2.imread(img_path)  # uint8 numpy array
        pre_img, ratio, padding = preprocess(im, device, imgsz)
        # 模型预测
        # pred = model.predict(pre_img, augment=False)[0]
        # im = draw_result(im, pred, ratio, padding)
        pred = model.predict(im, augment=False)[0]
        im = draw_result(im, pred)
        cv2.imshow("dst", im)
        cv2.waitKey()

 

执行脚本:

 

python predict.py

 

运行脚本结果：

 

2.6 PT模型转ONNX

在PC端执行export.py将pt模型转成onnx，如下代码段所示：

 

from ultralytics import YOLO


if __name__ == '__main__':
    format = 'rknn' # 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn'
    weight = "./demo/weights/yolo11s.pt"  # pt 或 yolovx.yaml
    model = YOLO(weight)
    results = model.export(format = format)

 

3. rknn-toolkit模型转换

3.1 rknn-toolkit模型转换环境搭建

onnx模型需要转换为rknn模型才能在EASY-EAI-Orin-nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。

3.1.1 概述

模型转换环境搭建流程如下所示：

3.1.2 下载模型转换工具

为了保证模型转换工具顺利运行，请下载网盘里“06.AI算法开发/01.rknn-toolkit2模型转换工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

3.1.3 把工具移到ubuntu20.04

把下载完成的docker镜像移到我司的虚拟机ubuntu20.04的rknn-toolkit2目录,如下图所示：

3.1.4 运行模型转换工具环境

在该目录打开终端：

执行以下指令加载模型转换工具docker镜像:

 

docker load --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

 

执行以下指令进入镜像bash环境:

 

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38 /bin/bash

 

现象如下图所示:

输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:

至此，模型转换工具环境搭建完成。

4. 模型转换为RKNN

EASY EAI Orin-nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程如下图所示：

4.1 模型转换Demo下载

把 yolov11_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:

4.2 进入模型转换工具docker环境

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit2/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：

 

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert:/test
rknn-toolkit2:2.3.0-cp38 /bin/bash

 

执行成功如下图所示:

4.3 模型转换操作说明

4.3.1 模型转换Demo目录结构

模型转换测试Demo由yolov11_model_convert和quant_dataset组成。yolov11_model_convert存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:

Yolov11_model_convert文件夹存放以下内容，如下图所示：

4.3.2 生成量化图片列表

在docker环境切换到模型转换工作目录:

 

cd /test/yolov11_model_convert

 

如下图所示:

执行gen_list.py生成量化图片列表:

 

python gen_list.py

 

命令行现象如下图所示:

生成“量化图片列表”如下文件夹所示:

4.3.3 onnx模型转换为rknn模型

rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：

 

import sys
from rknn.api import RKNN


ONNX_MODEL = 'yolov11s.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov11s_rk3576.rknn'
QUANTIZE_ON = True




if __name__ == '__main__':


    # Create RKNN object
    rknn = RKNN(verbose=False)


    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform='rk3576')
    print('done')


    # Load model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')


    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')


    # Export rknn model
    print('--> Export rknn model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')


    # Release
    rknn.release()

 

把onnx模型yolov11s.onnx放到yolov11_model_convert目录(后续用户使用自己的模型的时候，替换掉对应的onnx即可)，并执行rknn_convert.py脚本进行模型转换：

 

python rknn_convert.py

 

生成模型如下图所示，此模型可以在rknn环境和EASY EAI Orin-nano环境运行：

5. 模型部署示例

5.1 模型部署示例介绍

本小节展示yolo11模型的在EASY EAI Orin-nano的部署过程，本章章节使用的yolo11s.rknn模型的是由Ultralytics 官方提供的yolo11s.pt转换而来。

5.2 源码下载以及例程编译

下载yolo11 C Demo示例文件。

下载程序包移至ubuntu环境后，执行以下指令解压：

 

tar -xvf yolov11_detect_C_demo.tar.bz2

 

下载解压后如下图所示:

通过adb接口连接EASY-EAI-Orin-nano,，连接方式如下图所示:

接下来需要通过adb把源码传输到板卡上，先切换目录然后执行以下指令：

 

cd ~/rknn-toolkit2
adb push yolov11_detect_C_demo/ /userdata

 

登录到板子切换到例程目录执行编译操作：

 

adb shell
cd /userdata/yolov11_detect_C_demo
chmod 777 build.sh
./build.sh

 

5.3 开发板执行yolov11目标检测算法

编译成功后切换到可执行程序目录，如下所示：

 

cd /userdata/yolov11_detect_C_demo/yolov11_detect_demo_release

 

运行例程命令如下所示：

 

chmod 777 yolov11_detect_demo
./yolov11_detect_demo yolov11s_rk3576.rknn bus.jpg

 

执行结果如下图所示,yolov11s算法执行时间为47ms：

退出板卡环境，取回测试图片:

 

exit
adb pull /userdata/yolov11_detect_C_demo/yolov11_detect_demo_release/results.jpg .

 

至此，yolov11目标检测例程已成功在板卡运行。