【EASY EAI Nano开源套件试用体验】5.RKNN神经网络开发测试

电子

【EASY EAI Nano开源套件试用体验】5.RKNN神经网络开发测试

大信(QQ:8125036)

电子发烧友和灵眸科技推出EASY EAI Nano开发板的试用。该开发板采用的是Rockchip 的RV1126处理器，该处理器拥有四核32位Cortex®-A7架构，集成2.0 TOPs AI算力的NPU。能够广泛适用物联网边缘计算以及智能应用，如人脸闸机、车载录像、安防监控等方面。

本次实验就是尝试研究测试该开发板自带的RKNN神经网络框架，在实时推理方面的应用，本次计划以开发板带的摄像头作为输入，通过RKNN对输入视频进行实时识别，并测试各个算法模型的效率与性能。

一、RKNN简介

RKNN 是 Rockchip npu平台推出的一个专用神经网络运行平台，其使用特定的以.rknn后缀结尾的模型文件。Rockchip 提供了完整了模型转换Python工具，方便用户将自己研发的算法模型转换成 RKNN 模型，同时 Rockchip 也提供了C/C++和Python API 接口在板上进行模型的运行。

对于Ternsorflow,PyTorch等其他模型，想要在RK系列平台运行，需要先进行模型转换。可以在搭载Ubuntu18.04以及以上版本的PC上使用RKNN-Toolkit2工具将模型转化为RKNN格式，再按照RKNN的调用方式部署到开发板上进行运行。

二、RKNN-Toolkit 简介

RKNN-Toolkit是为用户提供在PC、 Rockchip NPU 平台上进行模型转换、推理和性能评估的开发套件,用户通过该工具提供的 Python 接口可以便捷地完成以下功能:

模型转换：支持Caffe、TensorFlow、TensorFlowLite、ONNX、Darknet、Pytorch、MXNet 模型转成RKNN 模型,支持 RKNN 模型导入导出,后续能够在 Rockchip NPU 平台上加载使用。从1.2.0版本开始支持多输入模型。从1.3.0版本开始支持 Pytorch 和 MXNet。

RKNN-Toolkit环境依赖:

目前RKNN-Toolkit系统支持：Ubuntu 16.04 x64（以上）、Window 7 x64（以上）、Mac OS X 10.13.5 x64 （以上）、 Debian 9.8 （x64）以上，Python 版本：3.5/3.6/3.7。

RKNN-Toolkit的安装步骤网站有很多教程，这里不再验证了。在Easy-EAI-Nano提供的开发环境里，已经安装好了RKNN-Toolkit,可以直接使用，不需要另行安装了，这点非常方便。

三、模型的转换

这次的验证是把YOLOv5模型在rknn跑起来。YOLOv5的代码是开源的，可以从github上克隆其源码。YOLOv5更新了5个分支了，分别是yolov5.1-yolov5.6分支。这里使用yolov5.6分支作为测试。

YOLOv5原模型是PyTorch框架的，使用RKNN-Toolkit分步转换 PyTorch->ONNX->RKNN

1.模型转换流程简介

2.主机环境检查

检查环境，这里首先检查一下python环境，系统安装多个版本的python，需要注意使用正确的版本。

3.加载RKNN-Toolkit的Docker镜像环境

进入docker目录下，加载RKNN-Toolkit镜像

docker load --input/mnt/hgfs/EASY-EAI-NANO/rknn-toolkit-v1.7.1/docker/rknn-toolkit-1.7.1-docker.tar.gz

运行镜像：

dockerrun -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.1/bin/bash

4.测试python环境

5. 准备模型工程

需要训练自己模型参数的可拉取yolov5的工程代码，按里面的文档进行训练。

https://github.com/glenn-jocher/yolov5.git

实际训练时，出问题的概率非常高，还需要自己学仔细研究所使用模型的结构并修改训练代码，这部分比较麻烦。笔者研究了一下，对于不同的模型需要调整模型结构，和调整各个参数。这过程没有一个通用的方法，因此这里不在展示自己数据的训练过程了，而是直接使用例程里已经训练好的一个模型。

在这个开发板上，这里使用Docker环境来进行模型的转换，在RKNN-Tools2的资料里也已经有训练好的源模型工程，可以直接使用它验证转换方法：

先把这个主机的工程目录映射进入Docker运行环境

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v/mnt/hgfs/EASY-EAI-NANO/rknn-toolkit-v1.7.1:/rknn_conv rknn-toolkit:1.7.1/bin/bash

6.生成图片量化文件

进入model_conv工程目录，执行python gen_list.py

在执行这个脚本时，需要修改一下图片目录：

image_dir = '../quant_dataset/coco_data'

查看生成的文件内容：cat pic_path.txt | more

7. onnx模型转换为rknn模型

再执行转换脚本命令python3 rknn_convert.py

此过程大概执行约20分钟左右，生成了 rknn 模型：

转换时Ubuntu虚机的系统开销大概如下图：

转换过程的整体系统情况如下图，可见这个转换比较非常消耗CPU和内存，因此高性能的cpu和大的内存是必须的。

8. 检测验证rknn模型

生成完rknn模型后，在主机下提供了一个评估测试生成的python脚本可以用来检验一下生成的rknn模型。

执行python3 yolov5_coco_test.py脚本测试rknn模型推理时报出如下错误：

Traceback (most recent call last):

File"yolov5_test2.py", line 329, in

input0_data =input0_data.reshape([3,-1]+list(input0_data.shape[-2:]))

ValueError: cannot reshape array of size 2142000 into shape (3,newaxis,25200,85)

这是推理输出处理时出现的错误，经过分析，发现推理输出的矩阵多了一个维度，需要把下面的0,1,2 改成1,2,3

修改完，再运行又出现下面的错误：

这是重整输出数据取维度出现错误，需要改为

运行之后，再次出现错误：

调试发现，在重新调整输出图片缩放时，当图像是正方形时，不需要缩放，因此设置缩放率为1，但代码里却默认输入是长方形，修改这里：

再次运行，终于获得了正确的结果：

输出结果显示识别出4个person和1个bus,下面是输出的推理输出图像,完全正确的输出：

四、模型的部署测试
1.准备原RKNN模型
从文档里得知rknn模型用NPU API在加载的时候速度慢，还需要在评估模型精度没问题的情况下，还需要进行模型预编译。

2.然后把rknn-toolkit-lite包传送到板子上

在板子上把rknn_toolkit_lite-1.7.1-cp37-cp37m-linux_ARMv7l.whl改名为 rknn_toolkit_lite-1.7.1-cp37-cp37m-linux_armv7l.gz, 并解压，再把rknnlite目录复制到 /usr/lib/python2.7/site-packages目录下

3.执行预编译
再把adb的设备权限交给虚机，使Docker里能够使用adb连接开发板，然后再进入Docker中的yolov5模型转换工程目录，执行
python3 precompile_rknn.py

这样就产生了上图红色的预编译文件。预编译部署完成，模型就已全部处理完成，把它复制到板子上，准备使用。

五．模型的板上推理测试
开发yolov5板上推理程序。下载官方提供的demo例程，该程序里加载上面转换预编译完的RKNN模型文件，
yolov5_detect_C_demo.tar.bz2，
解压后，修改一下代码，调用上面转换并预编译的模型文件，增加屏幕上显示输出的图片的代码：

然后进行交叉编译

编译成功后，把编译完的执行程序,传到目标板上，和模型放在同一个目录下，再放一个测试图片文件，然后执行推理测试：

最后在屏幕上显示识别出的结果：

凑近点看，识别效果非常漂亮：

从测试可看出，识别耗时0.69秒，可谓非常的快。比在PC上验证模型是，快了上百倍。

五、RKNN开发测试总结

通过一个完整的PyTorch模型转换为RKNN模型，在进行预编译以及使用该模型在板上进行推理运行过程的验证，基本上RKNN在该开发板上的开发流程得以跑通。

在处理模型转换时，遇到了很多细小的问题，需要逐一去排查，比如yolov5和yolov5s的模型，所输出的结构定义就不一样，导致使用的转换脚本必须做相应的修改，而这些修改也必须对模型的结构非常的了解。没有一个较为通用的工具来“傻瓜”式的一键转换。

而在尝试转换其它版本的yolo版本模型时，也遇到问题，并不是很顺利的能够转换成RKNN模型。因此对于模型的处理还需要比较熟悉模型的工程师来写转换脚本。