resnet50训练部署教程
ResNet50训练主要还是想部署到RK3568开发板上，先记录下训练和转成ONNX模型过程。
1. Resnet50简介
ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。 残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
本教程基于图像分类算法ResNet50的训练和部署到EASY-EAI-Nano(RV1126)进行说明。
2. 准备数据集
2.1 数据集下载
本教程以车辆分类算法为例，数据集的百度网盘下载链接为:
https://pan.baidu.com/s/1pkYm9AA3s3WDM7GecShlbQ 提取码：6666
解压完成后得到以下两个文件夹：
打开可以看到一共10类汽车：
类别名称与类别索引关系如下所示：
| 类别名称 | 类别索引号 |
|---|---|
| SUV | 0 |
| BUS | 1 |
| family sedan | 2 |
| fire engine | 3 |
| heavy truck | 4 |
| jeep | 5 |
| mini bus | 6 |
| racing car | 7 |
| taxi | 8 |
| truck | 9 |
3. ResNet50图像分类训练
3.1 训练源码下载
训练源码的百度网盘下载链接为:
https://pan.baidu.com/s/1slgFo12Hoy0_copi1MFmXg 提取码：6666
得到下图所示目录：
把数据集解压到当前目录：
3.2 训练模型
进入anconda的pyTorch环境，切换到训练源码目录执行以下指令开始训练：
python train.py执行结果如下图所示:
训练结束后test loss结果如下所示:
训练结束后test accuracy结果如下所示:
生成的最优模型如下所示：
3.3 在PC端测试模型
在训练源码目录执行以下指令，测试模型(生成模型名称不一致则修改predict.py脚本):
python predict.py
结果类别索引号为1——BUS, 测试结果正确。
3.4 pth模型转换为onnx模型
执行以下指令把pytorch的pth模型转换onxx模型：
python pth_to_onnx.py
生成ONNX模型如下所示:
4. rknn-toolkit模型转换
4.1 rknn-toolkit模型转换环境搭建
onnx模型需要转换为rknn模型才能在EASY-EAI-Nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。
4.1.1 概述
模型转换环境搭建流程如下所示：
4.1.2 下载模型转换工具
为了保证模型转换工具顺利运行，请下载网盘里”AI算法开发/RKNN-Toolkit模型转换工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。
网盘下载链接：https://pan.baidu.com/s/1_PquxW2rFuf77q6mT3gkDQ 提取码：6666
4.1.3 把工具移到ubuntu18.04
把下载完成的docker镜像移到我司的虚拟机ubuntu18.04的rknn-toolkit目录,如下图所示：
4.1.4 运行模型转换工具环境
在该目录打开终端：
执行以下指令加载模型转换工具docker镜像:
docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-docker.tar.gz执行以下指令进入镜像bash环境:
docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.3 /bin/bash现象如下图所示:
输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:
至此，模型转换工具环境搭建完成。
4.2 模型转换为RKNN
EASY EAI Nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。 模型转换操作流程入下图所示：
4.2.1 模型转换Demo下载
下载百度网盘链接：https://pan.baidu.com/s/1iTcklPq7lyfVbG4GlsZNIg 提取码：6666。把resnet50_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:
4.2.2 进入模型转换工具docker环境
执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit/model_convert_test为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：
docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert_test:/test rknn-toolkit:1.7.3 /bin/bash执行成功如下图所示:
4.2.3 模型转换Demo目录介绍
模型转换测试Demo由resnet50_model_convert和quant_dataset组成。resnet50_model_convert存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:
resnet50_model_convert文件夹存放以下内容，如下图所示:
4.2.4 生成量化图片列表
在docker环境切换到模型转换工作目录:
cd /test/resnet50_model_convert如下图所示:
执行gen_list.py生成量化图片列表:
python gen_list.py命令行现象如下图所示:
生成“量化图片列表”如下文件夹所示:
4.2.5 onnx模型转换为rknn模型
rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：
import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN
ONNX_MODEL = '10class_ResNet50.onnx'
RKNN_MODEL = './10class_ResNet50.rknn'
DATASET = './pic_path.txt'
QUANTIZE_ON = True
if __name__ == '__main__':
# Create RKNN object
rknn = RKNN(verbose=True)
if not os.path.exists(ONNX_MODEL):
print('model not exist')
exit(-1)
# pre-process config
print('--> Config model')
rknn.config(reorder_channel='0 1 2',
mean_values=[[123.67, 116.28,103.53]],
std_values=[[58.395, 57.12, 57.375]],
optimization_level=3,
target_platform = 'rv1126',
output_optimize=1,
quantize_input_node=QUANTIZE_ON)
print('done')
# Load ONNX model
print('--> Loading model')
ret = rknn.load_onnx(model=ONNX_MODEL)
if ret != 0:
print('Load failed!')
exit(ret)
print('done')
# Build model
print('--> Building model')
ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
if ret != 0:
print('Build resnet failed!')
exit(ret)
print('done')
# Export RKNN model
print('--> Export RKNN model')
ret = rknn.export_rknn(RKNN_MODEL)
if ret != 0:
print('Export resnet failed!')
exit(ret)
print('done')
把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目录，并执行rknn_convert.py脚本进行模型转换：
python rknn_convert.py生成模型如下图所示，此模型可以在rknn-toolkit环境和EASY EAI Nano环境运行：
4.2.6 运行rknn模型
用predict.py脚本在PC端的环境下可以运行rknn的模型，如下图所示:
predict.py脚本程序清单如下所示:
import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
import random
from rknn.api import RKNN
RKNN_MODEL = '10class_ResNet50.rknn'
IMG_PATH = './test-1.jpg'
BOX_THRESH = 0.25
NMS_THRESH = 0.6
CLASSES = ("SUV", "bus", "family sedan", "fire engine", "heavy truck", "jeep", "minibus", "racing car", "taxi", "truck")
def show_outputs(output):
print("softmax output:", output)
max_confidence = np.max(output)
index = np.where(output == max_confidence)
print("max confidence:", max_confidence)
print("max confidence index:", index[0][0])
print("CLASSES predict: ", CLASSES[index[0][0]])
def softmax(x):
return np.exp(x)/sum(np.exp(x))
if __name__ == '__main__':
# Create RKNN object
rknn = RKNN(verbose=True)
print('--> Loading model')
ret = rknn.load_rknn(RKNN_MODEL)
if ret != 0:
print('load rknn model failed')
exit(ret)
print('done')
# init runtime environment
print('--> Init runtime environment')
ret = rknn.init_runtime()
# ret = rknn.init_runtime('rv1126', device_id='1126')
if ret != 0:
print('Init runtime environment failed')
exit(ret)
print('done')
# Set inputs
img = cv2.imread(IMG_PATH)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
resize_img = cv2.resize(img,(224,224))
# Inference
print('--> Running model')
outputs = rknn.inference(inputs=[resize_img])
print("outputs[0]:", outputs[0])
print("outputs[0].shape:", outputs[0].shape)
show_outputs(softmax(np.array(outputs[0][0])))
print('done')
rknn.release()
执行结果如下图所示:
4.2.7 模型预编译
由于rknn模型用NPU API在EASY EAI Nano加载的时候启动速度会很慢，在评估完模型精度没问题的情况下，建议进行模型预编译。预编译的时候需要通过EASY EAI Nano主板的环境，所以请务必接上adb口与ubuntu保证稳定连接。
板子端接线如下图所示，拨码开关需要是adb：
虚拟机要保证接上adb设备：
由于在虚拟机里ubuntu环境与docker环境对adb设备资源是竞争关系，所以需要关掉ubuntu环境下的adb服务，且在docker里面通过apt-get安装adb软件包。以下指令在ubuntu环境与docker环境里各自执行：
在docker环境里执行adb devices,现象如下图所示则设备连接成功：
运行precompile_rknn.py脚本把模型执行预编译：
python precompile_rknn.py执行效果如下图所示，生成预编译模型10class_ResNet50_pre.rknn：
至此预编译部署完成，模型转换步骤已全部完成。生成如下预编译后的int8量化模型：
至此RKNN模型生成完毕，注意预编译模型只能在板卡端执行。
5. ResNet50图像分类部署
5.1 模型部署示例介绍
本小节展示ResNet50模型的在EASY EAI Nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。
5.2 开发环境准备
如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。
在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。
cd ~/develop_environment
./run.sh
5.3 源码下载以及例程编译
下载ResNet50 C Demo示例文件。
百度网盘链接: (https://pan.baidu.com/s/1obT-Ipdwzafqyn3-93OoeA 提取码：6666)。
下载程序包移至ubuntu环境后，执行以下指令解压：
tar -xvf resnet50_classification_C_demo.tar.bz2下载解压后如下图所示:
在EASY-EAI编译环境下，切换到例程目录执行编译操作：
cd /opt/rknn-toolkit/resnet50_classification_C_demo/
./build.sh注：
* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持adb连接。
5.4 在开发板执行ResNet50 图像分类算法
在EASY-EAI编译环境下，在例程目录执行以下指令把可执行程序推送到开发板端：
cp resnet_classification_demo_release/ /mnt/userdata/ -rf通过按键Ctrl+Shift+T创建一个新窗口，执行adb shell命令，进入板卡运行环境:
adb shell
进入板卡后，定位到例程上传的位置，如下所示：
cd /userdata/resnet_classification_demo_release/运行例程命令如下所示：
./resnet_classification_demo执行结果如下图所示，算法执行时间约为35ms:
至此，ResNet50图像分类例程已成功在板卡运行。
6. 资料下载
| 资料名称 | 链接 |
|---|---|
| 算法教程完整源码包 | https://pan.baidu.com/s/1VUjqbv847XUsk08PlnICw 提取码：6666 |
| 硬件外设库源码github | https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-SDK |