瑞芯微(EASY EAI)RV1126B yolov11-seg训练部署教程

广州灵眸科技有限公司 2026-05-11 180

描述

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-Nano-TB(RV1126B)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/16pH3SBtnb05Yt2EAHMZQcQ?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：

YOLOv11通俗易懂！| YOLOv11网络结构解读、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列！

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-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。

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-v2.3.2/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。

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-v2.3.2-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。

3.2 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：

3.3 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:

3.4 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:

3.5 模型转换操作说明

3.5.1 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:

yolov11_seg_model_convert文件夹存放以下内容，如下图所示：

3.5.2 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_seg_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:

3.5.3 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 = 'best.onnx' DATASET = './pic_path.txt' RKNN_MODEL = './yolov11n_seg_rv1126b.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='rv1126b') 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 Nano-TB环境运行：