|
HISI3559A YOLOV5训练部署全流程 yolov5网络简介 https://zhuanlan.zhihu.com/p/172121380 hisi3559a开发板简介CPU: 双核 ARM Cortex A73@1.8GHz，32KB I-Cache，64KB D-Cache /512KB L2 cache 双核 ARM Cortex A53@1.2GHz，32KB I-Cache，32KB D-Cache /256KB L2 cache 单核 ARM Cortex A53@1.2GHz，32KB I-Cache，32KB D-Cache /128KB L2 cache 支持 Neon 加速，集成 FPU 处理单元 GPU: 双核 ARM Mali G71@900MHz，256KB cache 支持 OpenCL 1.1/1.2/2.0 支持 OpenGL ES 3.0/3.1/3.2 智能视频分析： 提供视觉计算处理能力 四核 DSP@700MHz，32K I-Cache /32K IRAM/512KB DRAM 双核 NNIE@840MHz 神经网络加速引擎 INT8 4T算力 内置双目深度检测单元 yolov5网络模型训练 1）下载yolov5源码 a、git clone https://github.com/ultralytics/yolov5.git b、git reset --hard 69be8e738 2）安装yolov5训练环境 a、conda create --name yolov5 python=3.7.9 -y b、conda activate yolov5 c、修改requirements.txt，删除coremltools、onnx、scikit-learn前的”#“，增加一行“onnx-simplifier” d、pip install -r requirements.txt 3）修改训练参数和模型结构 a、修改data/coco.yaml文件中类别数目、类别名、train/test/val的路径，按照自己的项目规划修改 b、修改models/yolov5s.yaml文件中类别数目 c、修改models/yolov5s.yaml中的网络结构，将focus层修改为卷积层，并设置stride为2 backbone: # [from, number, module, args] # [[-1, 1, Focus, [64, 3]], # 0-P1/2 [ [-1, 1, Conv, [64, 3, 2]], [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, C3, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 3, C3, [1024, False]], # 9 ] 或者用yolov5 release6.0版本已经去掉focus层， backbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 <--- update [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, C3, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 3, C3, [1024, False]], # 9 ] 或者直接用 https://github.com/mahxn0/Yolov5-Hisi3559a-Train.git 4）启动模型训练 python train.py --data data/coco.yaml --cfg models/yolov5s.yaml --weights '' --batch-size 64 --img-size 416 --noautoanchor 5）模型导出 python models/export.py --weights weights/last.pt 6）模型简化 python -m onnxsim weights/last.onnx weights/simple.onnx (先安装onnx-simpler) torch 转caffe模型确保已经搭建好caffe cd yolov5_onnx2caffe 修改 convertCaffe.py 中路径 设置onnx_path（上面转换得到的简化后onnx模型），prototxt_path（caffe的prototxt保存路径），caffemodel_path（caffe的caffemodel保存路径） python convertCaffe.py得到转换后的caffemodel. caffe模型转hisi3559 wk本地linux转换环境搭建参考：https://blog.csdn.net/racesu/article/details/107045858 配置文件注意预处理顺序即可
https://github.com/mahxn0/Hisi3559A_Yolov5.git 多平台推理引擎,硬件图像处理工具 on the way… (责任编辑：) |
