海思Hi3516DV300-部署
1. 部署yolov5检测+Sort跟踪算法—统计地铁中人流量(双向计数+tof相机)
先用python—yolov5s训练一个best.pt模型
我们与大家部署的更多一个跟踪Sort算法
我们已上传github:如下链接
链接: 海思Hi3516DV300-部署yolov5检测+Sort跟踪算法.
2. yolov5s模型转换onnx模型
- pip安装onnx和onnx-simplifier
- pip install onnx
- pip install onnx-simplifier
- git clone https://github.com/ultralytics/yolov5.git
- 训练自己的模型步骤参考yolov5官方介绍,训练完成后我们得到了一个模型文件
- cd yolov5
- python models/export.py --weights 训练得到的模型权重路径 --img-size 训练图片输入尺寸
- python -m onnxsim onnx模型名称 yolov5s-simple.onnx 得到最终简化后的onnx模型
3. 在虚拟机中安装caffe (caffe模型的转化是在虚拟机中完成的)
有点复杂,拷贝我的虚拟机吧。在我的笔记本上,我已经装好了。
密码:123
4. onnx模型转换caffe模型
- git clone https://github.com/Wulingtian/yolov5_onnx2caffe.git
- 解压 yolov5_onnx2caffe
- cd yolov5_onnx2caffe
- vim convertCaffe.py
- 设置onnx_path(上面转换得到的onnx模型),prototxt_path(caffe的prototxt保存路径),caffemodel_path(caffe的caffemodel保存路径)
- python convertCaffe.py 得到转换好的caffe模型(可得到一个.prototext文件和一个.caffemodel文件)
5. caffe模型转换wk模型
1.链接: 华为Hi3516DV300 系列芯片平台模型转换,caffe 转NNIE wk注意事项.
2. caffe模型转换wk模型本质:利用.prototext文件和一个.caffemodel文件生成.wk文件
3. 步骤: 按照上述链接新建工程—>双击左边的最下的.cfg文件
4. cfg配置如下:
5. 注意将.cfg文件中compile_mode = 0 改成compile_mode = 1
6. 点击执行 需要一些时间,这取决于你在Ruyi studio 用了多少张图片
6. 在虚拟机中利用RuyiStudio生成的.wk文件转换成model.o文件(最终目标)
- mkdir build
- cd build
- cmake
- make
- make之后可生成一个可执行文件yolov5_sample
如图下:
7. 可以用MobaXterm(或者Shell)连接上海思Hi3516DV300开发板
- mkdir scw
- cd scw
- 将yolov5_sample 和检测的视频放在同一个文件夹(scw)下
- 并对文件夹scw授权,执行命令:chmod -R 777 scw
- 执行可执行文件yolov5_sample: ./yolov5_sample
6. 参考文献
链接: 基于Caffe格式部署YOLOV5模型.
转载自CSDN-专业IT技术社区
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
原文链接:https://blog.csdn.net/suncunwei201503517/article/details/120549575