RKNPU2从入门到实践 --- 【4】RKNN 模型构建【使用pycharm一步一步搭建RKNN模型】

2024-08-28 07:28

本文主要是介绍RKNPU2从入门到实践 --- 【4】RKNN 模型构建【使用pycharm一步一步搭建RKNN模型】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

前言

1.1 RKNN 初始化及对象释放 

1.1.1 概念介绍 

1.1.2 实际演示

1.2 RKNN 模型配置

1.2.1 概念介绍 

1.2.2 实际演示 

1.3 模型加载

1.3.1 概念介绍

1.3.1.1 Caffe模型加载接口

1.3.1.2 TensorFlow模型加载接口

1.3.1.3 TensorFlowLite 模型加载接口

1.3.1.4 ONNX 模型加载接口

1.3.1.5 DarkNet模型加载接口 ​编辑​编辑

1.3.1.6 PyTorch 模型加载接口 

​编辑 1.3.2 实际演示

1.4 构建RKNN模型

1.4.1 概念介绍 

​编辑1.4.2 实际演示 

1.5 导出RKNN模型

1.5.1 概念介绍 

1.5.2 实际演示 

1.6 最终测试

前言

本篇博文中所使用到的系统为Ubuntu 20系统,搭建好RKNN Toolkit2环境后,方可继续往下看。
RKNN Toolkit2使用流程图如下所示: 


RKNN模型构建流程如下图所示:

      打开 VMware 虚拟软件,启动linux虚拟系【Ubuntu20系统】,在该系统中你已经配置好了RKNNToolkit2环境。
      随后打开pycharm【在虚拟linux系统中打开的pycharm】,创建一个名为 export_rknn_learning 的文件夹,在该文件夹中创建一个名为export_rknn.py文件,创建一个log.txt文件用于存放日志信息,如下图所示。
随后按照如下步骤:

1.1 RKNN 初始化及对象释放 

1.1.1 概念介绍 

      在使用 RKNNToolkit2 的所有 API 接口时,都需要先调用 RKNN()方法初始化 RKNN 对象,当不 再使用该对象时,通过调用该对象的 release()方法进行释放。
      初始化 RKNN 对象时,可以设置 verbose 和 verbose_file 参数,从而打印详细的日志信息。其 中 verbose 参数指定是否要在终端打印详细日志信息;如果设置了 verbose_file 参数,且 verbose 参数值为 True,日志信息还将写到该参数指定的文件中。 举例如下:

from rknn.api import RKNN
#将详细的日志信息输出到终端,并写到 mobilenet_build.log 文件中
rknn=RKNN(verbose=True,verbose_file='./mobilenet_build.log')
rknn=RKNN(verbose=True) #将详细的日志信息输出到终端
…
rknn.release()
1.1.2 实际演示

第一步和最后一步的代码如下所示: 

 运行上述代码,得到:

log.txt 文件中的内容为:

红色框给出了 rknn-toolkit2 的版本,蓝色框给出了已经将日志log信息保存到 log.txt 文件中。

1.2 RKNN 模型配置

1.2.1 概念介绍 

      在构建 RKNN 模型之前,需要先对模型进行通道均值、量化图片 RGB2BGR 转换、量化类型等配置,这些操作需要通过 config 接口进行配置。


举例如下:

rknn.config(mean_values=[123.675,116.28,103.53],std_values=[58.395,58.395,58.395])
1.2.2 实际演示 

第二步代码如下: 

第二步代码添入后整体代码如下所示: 

from rknn.api import RKNNif __name__ == '__main__':# 第一步:创建一个RKNN对象rknn = RKNN(verbose=True, verbose_file='log.txt')# 第二步:调用config接口配置要生成的RKNN模型rknn.config(mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型quantized_method='channel', # quantized_method 表示量化的方式quantized_algorithm='normal', # quantized_algorithm 表示量化的算法quant_img_RGB2BGR=False, # target_platform='rk3588', # target_platform 表示RKNN模型的运行平台float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型optimization_level=3, # optimization_level 表示模型优化等级custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为Falseinputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588)# 第三步:# 最后一步:释放RKNN对象(不再使用RKNN时)rknn.release()

 

1.3 模型加载

1.3.1 概念介绍

      RKNN-Toolkit2 目前支持 Caffe、TensorFlow、TensorFlowLite、ONNX、DarkNet、PyTorch 等模型 的加载转换,这些模型在加载时需调用对应的接口,以下为这些接口的详细说明。

1.3.1.1 Caffe模型加载接口

1.3.1.2 TensorFlow模型加载接口


举例如下:

1.3.1.3 TensorFlowLite 模型加载接口

1.3.1.4 ONNX 模型加载接口

1.3.1.5 DarkNet模型加载接口 

1.3.1.6 PyTorch 模型加载接口 

 1.3.2 实际演示

我们以pytorch模型结构为例,将提前准备好的 resnet18.pt 文件复制粘贴到虚拟机虚拟系统中的项目文件夹中,如下所示:


第三步代码如下:

第三步代码添入后整体代码如下:
 

from rknn.api import RKNNif __name__ == '__main__':# 第一步:创建一个RKNN对象rknn = RKNN(verbose=True, verbose_file='log.txt')# 第二步:调用config接口配置要生成的RKNN模型rknn.config(mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型quantized_method='channel', # quantized_method 表示量化的方式quantized_algorithm='normal', # quantized_algorithm 表示量化的算法quant_img_RGB2BGR=False, # target_platform='rk3588', # target_platform 表示RKNN模型的运行平台float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型optimization_level=3, # optimization_level 表示模型优化等级custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为Falseinputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588)# 第三步:添加 load_xxx 接口进行常用深度学习模型的导入rknn.load_pytorch(model='./resnet18.pt', # model表示加载模型的地址input_size_list=[[1, 3, 224, 224]], # input_size_list 表示模型输入节点对应图片的尺寸和通道数)# 最后一步:释放RKNN对象(不再使用RKNN时)rknn.release()

1.4 构建RKNN模型

1.4.1 概念介绍 



举例如下:


1.4.2 实际演示 

第四步的代码如下:

 第四步代码添入后整体代码如下:

from rknn.api import RKNNif __name__ == '__main__':# 第一步:创建一个RKNN对象rknn = RKNN(verbose=True, verbose_file='log.txt')# 第二步:调用config接口配置要生成的RKNN模型rknn.config(mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型quantized_method='channel', # quantized_method 表示量化的方式quantized_algorithm='normal', # quantized_algorithm 表示量化的算法quant_img_RGB2BGR=False, # target_platform='rk3588', # target_platform 表示RKNN模型的运行平台float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型optimization_level=3, # optimization_level 表示模型优化等级custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为Falseinputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588)# 第三步:添加 load_xxx 接口进行常用深度学习模型的导入rknn.load_pytorch(model='./resnet18.pt', # model表示加载模型的地址input_size_list=[[1, 3, 224, 224]], # input_size_list 表示模型输入节点对应图片的尺寸和通道数)# 第四步:使用build接口来构建RKNN模型rknn.build(do_quantization=True, # do_quantization 表示是否对RKNN模型进行量化操作dataset='dataset.txt', # dataset 表示要量化的图片rknn_batch_size=-1, # 目前用不到)# 最后一步:释放RKNN对象(不再使用RKNN时)rknn.release()

1.5 导出RKNN模型

1.5.1 概念介绍 

通过本工具构建的 RKNN 模型通过该接口可以导出存储为 RKNN 模型文件,用于模型部署。 

1.5.2 实际演示 

 第五步代码如下所示:

 第五步代码添入后的整体代码如下所示:

from rknn.api import RKNNif __name__ == '__main__':# 第一步:创建一个RKNN对象rknn = RKNN(verbose=True, verbose_file='log.txt')# 第二步:调用config接口配置要生成的RKNN模型rknn.config(mean_values=[[123.675, 116.28,103.53]], # mean_values 表示预处理要减去的均值化参数std_values=[[58.395, 58.395, 58.395]], # std_values 表示预处理要除的标准化参数# 上面这两个参数在模型训练时就已经设置好了,在这里应与训练时的取值一至quantized_dtype='asymetric_quantized-8', # quantized_dtype 表示量化类型quantized_method='channel', # quantized_method 表示量化的方式quantized_algorithm='normal', # quantized_algorithm 表示量化的算法quant_img_RGB2BGR=False, # target_platform='rk3588', # target_platform 表示RKNN模型的运行平台float_dtype='float16', # float_dtype 表示RKNN模型中的默认浮点数类型optimization_level=3, # optimization_level 表示模型优化等级custom_string='this is my rknn model', # 添加自定义字符串信息到 RKNN 模型remove_weight=False, # remove_weight 表示生成一个去除权重信息的从模型compress_weight=False, # 压缩模型权重,可以减小RKNN模型的大小。默认为Falseinputs_yuv_fmt=False, # 表示RKNN模型输入数据的YUV格式single_core_mode=False # 表示构建的RKNN模型运行在单核心模式,只适用RK3588)# 第三步:添加 load_xxx 接口进行常用深度学习模型的导入rknn.load_pytorch(model='./resnet18.pt', # model表示加载模型的地址input_size_list=[[1, 3, 224, 224]], # input_size_list 表示模型输入节点对应图片的尺寸和通道数)# 第四步:使用build接口来构建RKNN模型rknn.build(do_quantization=True, # do_quantization 表示是否对RKNN模型进行量化操作dataset='dataset.txt', # dataset 表示要量化的图片rknn_batch_size=-1, # 目前用不到)# 第五步:调用export_rknn接口导出RKNN模型rknn.export_rknn(export_path='resnet18.rknn',# 表示导出的RKNN模型路径)# 最后一步:释放RKNN对象(不再使用RKNN时)rknn.release()

1.6 最终测试

经过了前面的步骤,我们现在可以通过运行代码来完成了RKNN模型的导出工作,运行代码,得到如下图所示:

至此,我们完成了RKNN模型的导出工作,接下来可进行模型评估工作了。

 

这篇关于RKNPU2从入门到实践 --- 【4】RKNN 模型构建【使用pycharm一步一步搭建RKNN模型】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1114109

相关文章

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法:读

JSON Web Token在登陆中的使用过程

《JSONWebToken在登陆中的使用过程》:本文主要介绍JSONWebToken在登陆中的使用过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录JWT 介绍微服务架构中的 JWT 使用结合微服务网关的 JWT 验证1. 用户登录,生成 JWT2. 自定义过滤

Java中StopWatch的使用示例详解

《Java中StopWatch的使用示例详解》stopWatch是org.springframework.util包下的一个工具类,使用它可直观的输出代码执行耗时,以及执行时间百分比,这篇文章主要介绍... 目录stopWatch 是org.springframework.util 包下的一个工具类,使用它

Java使用Curator进行ZooKeeper操作的详细教程

《Java使用Curator进行ZooKeeper操作的详细教程》ApacheCurator是一个基于ZooKeeper的Java客户端库,它极大地简化了使用ZooKeeper的开发工作,在分布式系统... 目录1、简述2、核心功能2.1 CuratorFramework2.2 Recipes3、示例实践3

springboot security使用jwt认证方式

《springbootsecurity使用jwt认证方式》:本文主要介绍springbootsecurity使用jwt认证方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录前言代码示例依赖定义mapper定义用户信息的实体beansecurity相关的类提供登录接口测试提供一

go中空接口的具体使用

《go中空接口的具体使用》空接口是一种特殊的接口类型,它不包含任何方法,本文主要介绍了go中空接口的具体使用,具有一定的参考价值,感兴趣的可以了解一下... 目录接口-空接口1. 什么是空接口?2. 如何使用空接口?第一,第二,第三,3. 空接口几个要注意的坑坑1:坑2:坑3:接口-空接口1. 什么是空接

springboot security快速使用示例详解

《springbootsecurity快速使用示例详解》:本文主要介绍springbootsecurity快速使用示例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝... 目录创www.chinasem.cn建spring boot项目生成脚手架配置依赖接口示例代码项目结构启用s

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI