RK3576 yolov11-seg训练部署教程

1. yolov11-seg简介

       yolov11-seg 是YOLO（You Only Look Once）系列的最新成员，专为实时实例分割任务设计。它在保持YOLO家族高效推理速度的同时，通过创新的网络结构和分割头设计，实现了像素级的精确目标检测与分割，适用于自动驾驶、医学影像、工业检测等对精度和速度要求苛刻的场景。

       本教程针对目标分割算法yolov11 seg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. yolov11-seg模型训练

       yolov11-seg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。百度网盘链接:https://pan.baidu.com/s/1kPU_t7GaZzi1zot_aI7xPQ?pwd=1234(提取码:1234)。

2.1  数据集准备

       在开始yolov11训练前，我看先准备好待训练数据，如crack（裂缝数据集），数据集也在训练工程的压缩包里面了。

       目录如下图示意：

       crack-seg标签数据格式说明如下图所示：

       注：如果你需要将json格式的标注数据转成label标签数据，可以使用./data/json_2_yolo.py脚本转换。

2.2  训练参数配置

       配置模型的训练参数：data.yaml，default.yaml，yolo11-seg.yaml，以crack-seg为例.

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yolov11-seg训练参数，可自行调整模型训练的参数；

yolo11-seg.yaml：为yolov11-seg模型结构，在模型训练时，你需要修改类别数。

更多关于yolov11-seg信息可参考：

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

2.3  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-seg.yaml路径，如下代码段所示：

 

from ultralytics import YOLO
import os

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"  
if __name__ == '__main__':
    cfg = r"./demo/crack-seg/default.yaml"
    data = r'./demo/crack-seg/data.yaml'
    #weight = r"./demo/weights/yolo11n-seg.pt"  # pt 或 yolovx.yaml
    weight = r"./demo/crack-seg/yolo11-seg.yaml"
    model = YOLO(weight)

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

 

       由于大家下载源码包后解压路径都不一样，所以需要更改data.yaml的数据集路径才能让模型训练的时候找到数据集:

       执行train.py训练脚本，开始模型训练，如下示意图：

 

python train.py

 

2.4  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-seg.py脚本，配置好模型路径和待检测图片，如下代码片段：

 

from ultralytics import YOLO

# Load a model
model_path = r"./demo/crack/train/weights/best.pt"
image_path = r"./demo/crack-seg/test/images/1616.rf.c868709931a671796794fdbb95352c5a.jpg"

model = YOLO(model_path)  # load an official model

# Predict with the model
results = model(image_path)  # predict on an image

for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

 

       执行脚本：

 

python predict-seg.py

 

        脚本运行结束后，会将图片结果图片保存为result.jpg，运行结果如下图所示：

2.5  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 = r"./demo/crack/train/weights/best.pt"  # pt 或 yolovx.yaml
    model = YOLO(weight)
    results = model.export(format = format)

 

       执行脚本：

 

python export.py

 

       生成best.onnx模型如下所示：

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”。

       网盘下载链接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234(提取码：1234)。

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。模型转换操作流程入下图所示：

4.1  模型转换Demo下载

       下载百度网盘链接：https://pan.baidu.com/s/1jrF2VFZImsBqWQeH4bawaA?pwd=1234(提取码：1234。)把quant_dataset.zip和yolov11_seg_model_convert.tar.bz2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_seg_model_convert和quant_dataset组成。yolov11_seg_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:

4.3.2   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：

 

from rknn.api import RKNN

import sys
from rknn.api import RKNN

ONNX_MODEL = 'best.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov11n_seg_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()

 

       并执行如下命令进行模型转换：

 

python rknn_convert.py

 

       生成模型如下图所示，EASY EAI Orin-nano环境运行：

5. 模型部署示例

       本小节展示yolov11-seg模型的在EASY EAI Orin-nano的部署过程，本章章节使用的yolov11n_seg_rk3576.rknn是使用crack数据集训练得到。

5.1  源码下载以及例程编译

       下载yolov11-seg C Demo示例文件。

       百度网盘链接: https://pan.baidu.com/s/1GCBkHHWtgXMbDTvEPJHmAw?pwd=1234（提取码: 1234）。

      下载程序包移至ubuntu环境后，执行以下指令解压：

 

tar -xvf yolov11_seg_model_convert.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_seg_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_seg_C_demo
chmod 777 build.sh
./build.sh

 

5.2  开发板执行yolov11 seg分割算法

       编译成功后切换到可执行程序目录，如下所示：

 

 cd /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/

 

       运行例程命令如下所示：

 

chmod 777 yolov11_seg_demo
./yolov11_seg_demo yolov11n_seg_rk3576.rknn crack.jpg

 

       执行结果如下图所示,算法执行时间为60.1768ms：

       退出板卡环境，取回测试图片:

 

exit
adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/result.jpg .
adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/mask_bgr.jpg .

 

       测试结果如下图所示:

       至此，yolov11-seg实例分割例程已成功在板卡运行。

6. 资料下载

资料名称	链接
算法训练部署教程完整源码包	https://pan.baidu.com/s/1tg1WbzMBeJqmKhxe2DXdMw?pwd=1234  提取码：1234

审核编辑 黄宇