技术分享 | RK3588基于Yolov5的目标识别演示

YOLO是一种基于深度神经网络的目标检测算法，用在图像或视频中实时识别和定位多个对象。在其各个版本的迭代中，YOLOv5凭借易用性和性能平衡在工业、 医疗、农业、零售等领域被广泛的应用。本文以启扬RK3588开发板为例，运行基于 YOLOv5 的先进目标检测模型。
01

下载RKNN相关的仓库

新建目录存放RKNN仓库，下载RKNN-Toolkit2和 RKNN_Model_Zoo 仓库。

#新建目录
mkdir RKNN_Projects
#进入该目录
cdRKNN_Projects

#下载RKNN-Toolkit2 仓库
gitclonehttps://github.com/airockchip/rknn-toolkit2.git --depth 1

#下载RKNN Model Zoo 仓库
gitclonehttps://github.com/airockchip/rknn_model_zoo.git --depth 1

#注：git clone 可能会下载失败，可以选择开代理或者到github下载

02

安装 RKNN-Toolkit2 环境

安装 conda。

# X86_64
wget https://mirrors.bfsu.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

# Arm64
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh

chmod +x Miniconda3-latest-Linux-xxxxxxx.sh
bash Miniconda3-latest-Linux-xxxxxxx.sh -b -p miniconda3
sourceminiconda3/bin/activate

使用 conda 创建 python 环境。

conda create -n toolkit2 python=3.8

激活 toolkit2 环境。

conda activate toolkit2

03

安装依赖库和RKNN-Toolkit2

激活 toolkit2 环境之后，进入到 rknn-toolkit2 目录，安装依赖库，并安装rknn-toolkit2。

cdrknn-toolkit2/
cdrknn-toolkit2/packages/arm64

安装依赖库。

pip install -r arm64_requirements_cp38.txt
pip install rknn_toolkit2-2.3.2-cp38-cp38-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

04

YOLOv5 RKNN Python Demo

下载模型。

cdRKNN_Projects/rknn_model_zoo/examples/yolov5/model
bash download_model.sh

模型转换。

cdRKNN_Projects/rknn_model_zoo/examples/yolov5/python
python convert.py ../model/yolov5s_relu.onnx rk3588 i8 ../model/yolov5s_relu.rknn

运行RKNN Python Demo。

python yolov5.py --model_path ../model/yolov5s_relu.rknn --target rk3588 --img_show

输出结果如下图所示：

启扬RK3588开发板运行基于YOLOv5的物体识别模型演示视频