RDK X5 yolov5目标检测之onnx转bin

onnx转bin

1、环境测试

按照前面步骤安装完环境之后，我们需要使用官方例子进行测试一下是否正常，步骤如下

参考：https://developer.d-robotics.cc/forumDetail/107952931390742029，“2.1.2 验证模型”这一步骤

进入yolov5的实例目录

cd horizon_model_convert_sample/04_detection/03_yolov5x/mapper/

如下：

按顺序执行：

./01_check.sh
./02_preprocess.sh
./03_build.sh
./04_inference.sh

如果执行成功，会在目录下生成一个model_output文件夹，转换成功的bin文件就在里面，demo.jpg是预测后的输出图片。

2、修改03_yolov5x工程参数

博主将"03_yolov5x"工程分离出来，并修改了参数，大伙可以自行下载：yolov5_bin.zip

上面工程下载后，进入Docker环境，并扔进去，进入mapper目录，按照01~04编号的顺序执行，就可以看到效果了，里面的py文件都是从 horizon_model_convert_sample 工程里面转移出来的。

demo.jpg效果如下：

模型参数查看网站：https://netron.app

通过上面网站可以看到，我们自己训练的best.onnx文件的尺寸是：1x3x640x640，官方YOLOv5x.onnx的尺寸是：1x3x672x672，这个很重要，我们后面要按照这个进行修改。

修改的内容有点多，下面将一一列举出来。

所有需要迁出的文件和目录如下

[文件] horizon_model_convert_sample/data_preprocess.py
[文件] horizon_model_convert_sample/04_detection/det_evaluate.py
[文件] horizon_model_convert_sample/04_detection/det_inference.py
[文件] horizon_model_convert_sample/01_common/test_data/det_images/kite.jpg
[文件] horizon_model_convert_sample/01_common/model_zoo/mapper/detection/yolov5_onnx_optimized/YOLOv5x.onnx
[目录] horizon_model_convert_sample/01_common/calibration_data/coco
[目录] horizon_model_convert_sample/04_detection/03_yolov5x/mapper

关键修改点如下：（sh文件主要是改路径）

yolov5_bin\mapper\01_check.sh

onnx_model="../onnx_model/best.onnx"

yolov5_bin\mapper\02_preprocess.sh

python3 ../data_preprocess.py \
  --src_dir ../coco \

yolov5_bin\mapper\04_inference.sh（我们输出工程的前缀由“yolov5x_672x672_nv12”改成“yolov_best”，不改也没事）

quanti_model_file="./model_output/yolov_best_quantized_model.onnx"
original_model_file="./model_output/yolov_best_original_float_model.onnx"

infer_image="../10.jpg"

python3 -u ../det_inference.py \

yolov5_bin\mapper\05_evaluate.sh（这个脚本没执行过，也蛮改一下吧）

quanti_model_file="./model_output/yolov_best_quantize
original_model_file="./model_output/yolov_best_original_float_model.onnx"

image_path="../data/coco/coco_val2017/images/"
anno_path="../data/coco/coco_val2017/annotations/instances_val2017.json"

python3 -u ../det_evaluate.py \

yolov5_bin\mapper\coco_classes.names（按照格式，改成我们自己的类型名称即可）

box

E:\AI\yolov5_bin\mapper\coco_metric.py（按照格式，改成我们自己的类型名称即可）

class MSCOCODetMetric(object):
    class_names = [
        "box"
    ]

yolov5_bin\mapper\postprocess.py

yolov5_bin\mapper\yolov5x_config.yaml

# 适用BPU架构
# X3
march: "bernoulli2"

# X5
march: "bayes-e"

到这里所有修改就完成了，然后就可以按照01~04的顺序执行脚本，如果没有报错，说明转换与验证都成功了。