RK3576 yolo11-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。

 

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 YOLOimport 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 modelmodel_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 modelresults = 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”。

 

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

 

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 RKNNimport sysfrom rknn.api import RKNNONNX_MODEL = 'best.onnx'DATASET = './pic_path.txt'RKNN_MODEL = './yolov11n_seg_rk3576.rknn'QUANTIZE_ON = Trueif __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

 

       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-toolkit2adb 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 shellcd /userdata/yolov11_seg_C_demochmod 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:

•  
•  
•  

exitadb 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。