AX620A运行yolov5s自训练模型全过程记录（windows）

2023-10-24 00:20
文章标签 训练 windows 运行 模型 记录 全过程 yolov5s ax620a

本文主要是介绍AX620A运行yolov5s自训练模型全过程记录（windows），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！

AX620A运行yolov5s自训练模型全过程记录（windows）

文章目录

  • AX620A运行yolov5s自训练模型全过程记录（windows）
  • 前言
  • 一、搭建模型转换环境（使用GPU加速）
  • 二、转换yolov5自训练模型
  • 三、板上测试

前言

上一篇文章《ubuntu22.04搭建AX620A官方例程开发环境》记录了AX620A开发环境的搭建，这段时间板子终于到手了，尝试了一下怎么跑自己训练的yolov5模型，将整个过程记录一下。

一、搭建模型转换环境（使用GPU加速）

  模型转换工具名称叫做Pulsar工具链，官方提供了docker容器环境。因为我十分懒得装一台ubuntu实体机，所以一切操作都想办法在windows下实现的~~~

  1. 安装Windows平台的Docker-Desktop客户端
    下载地址：点这里
    无脑安装就行了，没有什么特别操作
    安装好后，打开Docker-Desktop，程序会初始化和启动，然后就可以打开cmd输入命令拉取工具链镜像了
docker pull sipeed/pulsar
  1. 下载镜像成功后，应该能在Docker-Desktop的images列表中看到了
    在这里插入图片描述
  2. 原本到这里就可以直接启动容器来转换模型了，不过突然看到工具链是支持gpu加速的，但镜像里面没有安装相应的cuda环境，所以这里就要一番折腾了。
    思路是：安装WSL2——安装ubuntu子系统——子系统内安装nVidia CUDA toolkit——再安装nvidia-docker。这一番操作后，以后在windows cmd下启动的容器（需加上“--gpus all”参数），就都带上完整的cuda环境了。
  • 使用WSL2安装ubuntu20.04
      恕我一直孤陋寡闻，直到这时才知道原来windows下有这么个方便的东西，以前一直只会装虚拟机…
    WSL2具体怎么开启百度一下，反正我的win10更新到最新版本操作没遇到什么问题。

(1) 查看windows平台可支持的linux子系统列表

wsl --list --online
以下是可安装的有效分发的列表。
请使用“wsl --install -d <分发>”安装。NAME            FRIENDLY NAME
Ubuntu          Ubuntu
Debian          Debian GNU/Linux
kali-linux      Kali Linux Rolling
openSUSE-42     openSUSE Leap 42
SLES-12         SUSE Linux Enterprise Server v12
Ubuntu-16.04    Ubuntu 16.04 LTS
Ubuntu-18.04    Ubuntu 18.04 LTS
Ubuntu-20.04    Ubuntu 20.04 LTS

(2) 设置每个安装的发行版默认用WSL2启动

$ wsl --set-default-version 2

(3) 安装Ubuntu20.04

$ wsl --install -d  Ubuntu-20.04

(4) 设置默认子系统为Ubuntu20.04

$ wsl --setdefault Ubuntu-20.04

(5) 查看子系统信息，星号为缺省系统

$ wsl -l -vNAME                   STATE           VERSION
* Ubuntu-20.04           Stopped         2docker-desktop-data    Running         2docker-desktop         Running         2
  • ubuntu22.04下安装cuda
    以下操作均在windows的子系统ubuntu终端输入，逐条执行
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pinsudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600wget https://developer.download.nvidia.com/compute/cuda/11.7.0/local_installers/cuda-repo-wsl-ubuntu-11-7-local_11.7.0-1_amd64.debsudo dpkg -i cuda-repo-wsl-ubuntu-11-7-local_11.7.0-1_amd64.debsudo cp /var/cuda-repo-wsl-ubuntu-11-7-local/cuda-B81839D3-keyring.gpg /usr/share/keyrings/sudo apt-get updatesudo apt-get -y install cuda
  • ubuntu22.04下安装nvidia-docker
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee 
/etc/apt/sources.list.d/nvidia-docker.listsudo apt-get updatesudo apt-get install -y nvidia-docker2

至此，cuda的相关环境就安装好了，可以在ubuntu的终端下输入：nvidia-smi确认显卡是否有识别到

  • 启动容器
    在windows的cmd终端中，输入以下命令来启动pulsar容器
docker run -it --net host  --gpus all --shm-size 12g -v D:\ax620_data:/data sipeed/pulsar --name ax620

其中：
--gpus all要加上，容器才能使用gpu。
--shm-size 12g 指定容器使用内存，根据你实际内存大小来确定。我这个数值转换yolov5s的模型没有问题。
--name ax620指定容器名称，以后在cmd下输入:docker start ax620 && docker attach ax620就可以方便进入容器环境内。
D:\ax620_data:/data 将本地硬盘指定路径映射到容器的/data目录。这个文件夹需要存放模型转换用到的工程，可以到这里下载

二、转换yolov5自训练模型

  1. yolov5使用的是最新的V6.2版，按照标准流程训练出来pt模型文件后，使用export.py导出为onnx格式
python export.py --weights yourModel.pt --simplify --include onnx
  1. 要将onnx三个输出层的后处理去掉，因为这部分的处理将在ax620程序里面实现处理。可参考这位大哥的文章《爱芯元智AX620A部署yolov5 6.0模型实录》。具体处理的python代码如下：
import onnxinput_path = r"D:\ax620_data\model\yourModel.onnx"
output_path = r"D:\ax620_data\model\yourModel_rip.onnx"
input_names = ["images"]
output_names = ["onnx::Reshape_326","onnx::Reshape_364","onnx::Reshape_402"]onnx.utils.extract_model(input_path, output_path, input_names, output_names)

注意这里的三个层的名称Reshape_326、Reshape_364、Reshape_402可能和你的模型里面是不一样的，具体使用netron工具来确认。得到了以下结尾的模型。注：我这里最后的一个输出形状是1x18x20x20，因为我的模型只有一个识别种类（4+1+1）* 3 = 18
在这里插入图片描述

  1. 去到pulsar容器环境进行模型转换，onnx->joint，输入
pulsar build --input model/yourModel_rip.onnx --output model/yourModel.joint --config config/yolov5s.prototxt --output_config config/output_config.prototxt

其中：

  • yolov5s.prototxt这个配置文件需要到爱芯元智的百度网盘下载：到这里下载
  • 随机选取1000张你训练集的图片，打包成coco_1000.tar，放到容器/data/dataset目录内，作为量化校准用
    模型转换比较慢。即使用到了gpu加速，也需要好几分钟。最后将在容器的/data/model目录下生成你的joint模型文件
  1. 模型仿真与对分。测试模型转换后与原来onnx的精度差别。可以看出三个输出的余弦相似度都很高，精度误差很小。
pulsar run model/yourModel_rip.onnx  model/yourModel.joint --input images/test.jpg --config config/output_config.prototxt--output_gt gt/...(运行过程省略)
[<frozen super_pulsar.func_wrappers.pulsar_run.compare>:82] Score compare table:
------------------------  ----------------  ------------------
Layer: onnx::Reshape_326  2-norm RE: 4.08%  cosine-sim: 0.9994
Layer: onnx::Reshape_364  2-norm RE: 4.49%  cosine-sim: 0.9991
Layer: onnx::Reshape_402  2-norm RE: 6.77%  cosine-sim: 0.9981
------------------------  ----------------  ------------------

三、板上测试

  1. 通过AXERA-TECH/ax-samples 仓库构建自己的测试程序。
    因为是自训练模型，我的模型只有1个类别，官方的yolov5测试程序是使用coco数据集的80分类的，需要做一点调整。
  • 在examples目录下，复制ax_yolov5s_steps.cc另存为ax_yolov5s_my.cc
  • 修改ax-samples/examples/base/detection.hpp，新增一个generate_proposals_n函数，cls_num就是模型类别数
static void generate_proposals_n(int cls_num, int stride, const float* feat, float prob_threshold, std::vector<Object>& objects,int letterbox_cols, int letterbox_rows, const float* anchors, float prob_threshold_unsigmoid){int anchor_num = 3;int feat_w = letterbox_cols / stride;int feat_h = letterbox_rows / stride;// int cls_num = 80;int anchor_group;if (stride == 8)anchor_group = 1;if (stride == 16)anchor_group = 2;if (stride == 32)anchor_group = 3;auto feature_ptr = feat;for (int h = 0; h <= feat_h - 1; h++){for (int w = 0; w <= feat_w - 1; w++){for (int a = 0; a <= anchor_num - 1; a++){if (feature_ptr[4] < prob_threshold_unsigmoid){feature_ptr += (cls_num + 5);continue;}//process cls scoreint class_index = 0;float class_score = -FLT_MAX;for (int s = 0; s <= cls_num - 1; s++){float score = feature_ptr[s + 5];if (score > class_score){class_index = s;class_score = score;}}//process box scorefloat box_score = feature_ptr[4];float final_score = sigmoid(box_score) * sigmoid(class_score);if (final_score >= prob_threshold){float dx = sigmoid(feature_ptr[0]);float dy = sigmoid(feature_ptr[1]);float dw = sigmoid(feature_ptr[2]);float dh = sigmoid(feature_ptr[3]);float pred_cx = (dx * 2.0f - 0.5f + w) * stride;float pred_cy = (dy * 2.0f - 0.5f + h) * stride;float anchor_w = anchors[(anchor_group - 1) * 6 + a * 2 + 0];float anchor_h = anchors[(anchor_group - 1) * 6 + a * 2 + 1];float pred_w = dw * dw * 4.0f * anchor_w;float pred_h = dh * dh * 4.0f * anchor_h;float x0 = pred_cx - pred_w * 0.5f;float y0 = pred_cy - pred_h * 0.5f;float x1 = pred_cx + pred_w * 0.5f;float y1 = pred_cy + pred_h * 0.5f;Object obj;obj.rect.x = x0;obj.rect.y = y0;obj.rect.width = x1 - x0;obj.rect.height = y1 - y0;obj.label = class_index;obj.prob = final_score;objects.push_back(obj);}feature_ptr += (cls_num + 5);}}}}
  • 修改ax_yolov5s_my.cc
44行 const char* CLASS_NAMES[] = {"piggy"};		//修改模型类别名称252行   for (uint32_t i = 0; i < io_info->nOutputSize; ++i){auto& output = io_info->pOutputs[i];auto& info = joint_io_arr.pOutputs[i];auto ptr = (float*)info.pVirAddr;int32_t stride = (1 << i) * 8;// det::generate_proposals_255(stride, ptr, PROB_THRESHOLD, proposals, input_w, input_h, ANCHORS, prob_threshold_unsigmoid);// 使用新的generate_proposals_n对预测框进行解码det::generate_proposals_n(1, stride, ptr, PROB_THRESHOLD, proposals, input_w, input_h, ANCHORS, prob_threshold_unsigmoid);}
  • 修改ax-samples/examples/CMakeLists.txt文件，在101行下新增
101行 axera_example (ax_crnn                  ax_crnn_steps.cc)axera_example (ax_yolov5_my             ax_yolov5s_my.cc)		//增加编译源文件
else() # ax630a supportaxera_example (ax_classification        ax_classification_steps.cc)axera_example (ax_yolov5s               ax_yolov5s_steps.cc)axera_example (ax_yolo_fastest          ax_yolo_fastest_steps.cc)axera_example (ax_yolov3                ax_yolov3_steps.cc)
endif()
  • 对工程进行交叉编译或者板上直接编译，生成ax_yolov5_my可执行程序文件
  1. 将程序和joint模型文件拷到板上同一目录内，执行：
 ./ax_yolov5_my -m yourModel.joint -i /home/images/test.jpg--------------------------------------
[INFO]: Virtual npu mode is 1_1Tools version: 0.6.1.14
4111370
run over: output len 3
--------------------------------------
Create handle took 470.84 ms (neu 21.46 ms, axe 0.00 ms, overhead 449.38 ms)
--------------------------------------
Repeat 1 times, avg time 25.28 ms, max_time 25.28 ms, min_time 25.28 ms
--------------------------------------
detection num: 60:  97%, [ 198,   97,  437,  328], piggy0:  96%, [  35,  190,  260,  377], piggy0:  95%, [ 575,  166,  811,  478], piggy0:  93%, [ 526,   47,  630,  228], piggy0:  91%, [ 191,   55,  301,  197], piggy0:  76%, [   0,  223,   57,  324], piggy
[AX_SYS_LOG] Waiting thread(2971660832) to exit
[AX_SYS_LOG] AX_Log2ConsoleRoutine terminated!!!
exit[AX_SYS_LOG] join thread(2971660832) ret:0

在这里插入图片描述
可以看到，即使此时分了一半算力给isp，yolov5s单张图片的推理时间可以去到25ms，那是相当给力了！

这篇关于AX620A运行yolov5s自训练模型全过程记录（windows）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/271421。

相关文章

pycharm远程连接服务器运行pytorch的过程详解

pycharm远程连接服务器运行pytorch的过程详解

《pycharm远程连接服务器运行pytorch的过程详解》：本文主要介绍在Linux环境下使用Anaconda管理不同版本的Python环境,并通过PyCharm远程连接服务器来运行PyTorc... 目录linux部署pytorch背景介绍Anaconda安装Linux安装pytorch虚拟环境安装cu
阅读更多...
SpringBoot快速接入OpenAI大模型的方法(JDK8)

SpringBoot快速接入OpenAI大模型的方法(JDK8)

《SpringBoot快速接入OpenAI大模型的方法(JDK8)》本文介绍了如何使用AI4J快速接入OpenAI大模型,并展示了如何实现流式与非流式的输出,以及对函数调用的使用,AI4J支持JDK8... 目录使用AI4J快速接入OpenAI大模型介绍AI4J-github快速使用创建SpringBoot
阅读更多...
0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型，3步搞定一个应
阅读更多...
Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll
阅读更多...
关于Spring @Bean 相同加载顺序不同结果不同的问题记录

关于Spring @Bean 相同加载顺序不同结果不同的问题记录

《关于Spring@Bean相同加载顺序不同结果不同的问题记录》本文主要探讨了在Spring5.1.3.RELEASE版本下,当有两个全注解类定义相同类型的Bean时,由于加载顺序不同,最终生成的... 目录问题说明测试输出1测试输出2@Bean注解的BeanDefiChina编程nition加入时机总结问题说明
阅读更多...
Spring AI Alibaba接入大模型时的依赖问题小结

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录（一）pom.XML文件：（二）application.yml配置文件（一）pom.xml文件：首
阅读更多...
Windows设置nginx启动端口的方法

Windows设置nginx启动端口的方法

《Windows设置nginx启动端口的方法》在服务器配置与开发过程中,nginx作为一款高效的HTTP和反向代理服务器,被广泛应用,而在Windows系统中,合理设置nginx的启动端口,是确保其正... 目录一、为什么要设置 nginx 启动端口二、设置步骤三、常见问题及解决一、为什么要设置 nginx
阅读更多...
如何在本地部署 DeepSeek Janus Pro 文生图大模型

如何在本地部署 DeepSeek Janus Pro 文生图大模型

《如何在本地部署DeepSeekJanusPro文生图大模型》DeepSeekJanusPro模型在本地成功部署,支持图片理解和文生图功能,通过Gradio界面进行交互,展示了其强大的多模态处... 目录什么是 Janus Pro1. 安装 conda2. 创建 python 虚拟环境3. 克隆 janus
阅读更多...
本地私有化部署DeepSeek模型的详细教程

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备（一）硬件要求（二）软件要求（三）创建虚拟环境三、安装依赖库四、获取 Dee
阅读更多...
通过prometheus监控Tomcat运行状态的操作流程

通过prometheus监控Tomcat运行状态的操作流程

《通过prometheus监控Tomcat运行状态的操作流程》文章介绍了如何安装和配置Tomcat,并使用Prometheus和TomcatExporter来监控Tomcat的运行状态,文章详细讲解了... 目录Tomcat安装配置以及prometheus监控Tomcat一. 安装并配置tomcat1、安装
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2