瑞芯微(EASY EAI)RV1126B resnet50训练部署教程

1. Resnet50简介

ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。 残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

本教程基于图像分类算法ResNet50的训练和部署到EASY-EAI-Nano-TB(RV1126B)进行说明。

 

 

2. 准备数据集

2.1 数据集下载

本教程以车辆分类算法为例，数据集的百度网盘下载链接为:

https://pan.baidu.com/s/1ZLuEpqLRlEcvgmkFXvj6-Q?pwd=1234 提取码：1234

解压完成后得到以下两个文件夹：

打开可以看到一共10类汽车：

类别名称与类别索引关系如下所示：

3. ResNet50图像分类训练

3.1 训练源码下载

训练源码的百度网盘下载链接为:

https://pan.baidu.com/s/16Gm_dyJKXKdZNdqKolL1kA?pwd=1234 提取码：1234

得到下图所示目录：

把数据集解压到当前目录：

3.2 训练模型

进入anconda的pyTorch环境，切换到训练源码目录执行以下指令开始训练：

python train.py

执行结果如下图所示:

训练结束后test loss结果如下所示:

训练结束后test accuracy结果如下所示:

生成的最优模型如下所示：

3.3 在PC端测试模型

在训练源码目录执行以下指令，测试模型(生成模型名称不一致则修改predict.py脚本):

python predict.py

结果类别索引号为1——BUS, 测试结果正确。

3.4 pth模型转换为onnx模型

执行以下指令把pytorch的pth模型转换onxx模型：

python pth_to_onnx.py

生成ONNX模型如下所示:

4. rknn-toolkit模型转换

4.1 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-Nano-TB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。

4.1.1 概述

模型转换环境搭建流程如下所示：

 

4.1.2 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-v2.3.2/docker/docker_image/rknn-toolkit2-v2.3.2-cp38-docker.tar.gz”。

网盘下载链接:https://pan.baidu.com/s/1wUy-UBy9n81p7jlee_dBVA?pwd=1234提取码：1234。

4.1.3 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：

4.1.4 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-v2.3.2-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 -v /home/developer/rknn-toolkit2/model_convert_test:/test rknn-toolkit2:2.3.2-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。

4.2 模型转换为RKNN

EASY-EAI-Nano-TB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：

4.2.1 模型转换Demo下载

下载百度网盘链接：https://pan.baidu.com/s/1cpY_2zDJ18IURf8jTBHh8A?pwd=1234 提取码：1234。把resnet50_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:

4.2.2 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-toolkit2:2.3.2-cp38 /bin/bash

执行成功如下图所示:

4.2.3 模型转换Demo目录介绍

模型转换测试Demo由resnet50_model_convert和quant_dataset组成。resnet50_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:

resnet50_model_convert文件夹存放以下内容，如下图所示:

4.2.4 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/resnet50_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:

4.2.5 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 os import urllib import traceback import time import sys import numpy as np import cv2 from rknn.api import RKNN ONNX_MODEL = '10class_ResNet50.onnx' RKNN_MODEL = './10class_ResNet50_rv1126b.rknn' DATASET = './pic_path.txt' QUANTIZE_ON = True if __name__ == '__main__': # Create RKNN object rknn = RKNN(verbose=False) if not os.path.exists(ONNX_MODEL): print('model not exist') exit(-1) # pre-process config print('--> Config model') rknn.config(mean_values=[[123.67, 116.28,103.53]], std_values=[[58.395, 57.12, 57.375]], target_platform = 'rv1126b') print('done') # Load ONNX model print('--> Loading model') ret = rknn.load_onnx(model=ONNX_MODEL) if ret != 0: print('Load failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) if ret != 0: print('Build resnet failed!') exit(ret) print('done') # Export RKNN model print('--> Export RKNN model') ret = rknn.export_rknn(RKNN_MODEL) if ret != 0: print('Export resnet failed!') exit(ret) print('done') rknn.release()

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目录，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-toolkit环境和EASY EAI Nano-TB环境运行：

5. ResNet50图像分类部署

5.1 模型部署示例介绍

本小节展示ResNet50模型的在EASY EAI Nano-TB的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。

5.2 准备工作

5.2.1 硬件准备

需准备EASY EAI Nano-TB开发板，Type-C数据线、网线。可以基于MobaXterm的ssh远程桌面登录调试。首先使用网线把EASY EAI Nano-TB的千兆以太网接口与连着路由LAN口的交换机或者路由器的LAN口连接，如下图所示。

以及串口连接。

5.2.2 开发环境准备

如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。

在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。

cd ~/develop_environment ./run.sh 2204

5.3 源码下载以及例程编译

下载ResNet50 C Demo示例文件。

百度网盘链接: (https://pan.baidu.com/s/1ecsc-vl9Qh6DjgRa_Eibvg?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 resnet50_classification_C_demo.tar.bz2

下载解压后如下图所示:

在EASY-EAI 编译环境下，进入到对应的例程目录执行编译操作，具体命令如下所示：

cd /opt/nfsroot/rknn-src/RV1126B/resnet50_classification_C_demo/ ./build.sh

同时，把可执行程序目录resnet_classification_demo_release/复制到开发板/userdata目录上：

cp resnet_classification_demo_release/ /mnt/userdata/ -rf

5.4 在开发板执行ResNet50 图像分类算法

通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：

cd /userdata/resnet_classification_demo_release/

运行例程命令如下所示：

chmod 777 resnet_classification_demo ./resnet_classification_demo

执行结果如下图所示，算法执行时间约为12.7ms:

至此，ResNet50图像分类例程已成功在板卡运行。

6. 资料下载