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】

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！

---