成都品牌推广_成都旅游必去景点有哪些_2023年8月份新冠_交换友情链接的方法

前言

完成pt->rknn的转换需要用到下述三个软件，链接地址如下：

1.ultralytics_yolov8：https://github.com/airockchip/ultralytics_yolov8
2.rknn_model_zoo：https://github.com/airockchip/rknn_model_zoo
3.rknn-toolkit2：https://github.com/airockchip/rknn-toolkit2

我用的版本如下图所示

1.ultralytics_yolov8 直接下载就行
2. rknn_model_zoo v2.2.0

在这里插入图片描述
3. rknn-toolkit2 v2.2.0

PT转ONNX

第一步

将该仓库的项目下载到本地上，压缩包或者git命令都可以。
ultralytics_yolov8： https://gitcode.com/gh_mirrors/ul/ultralytics_yolov8/overview?utm_source=csdn_github_accelerator&isLogin=1

以下是我下载后的文件夹截图
改激活函数：把ultralytics/nn/modules/conv.py中的Conv类进行修改。
将default_act = nn.SiLU() # default activation
改为default_act = nn.ReLU() # default activation

当前的git仓库中是中没有requirements.txt，参考文献2中有提到这个文件，详情可以参考这篇文献。
这里给出requirements.txt中的内容，直接复制到自己创建的requirements.txt中就可以了。

# Ultralytics requirements
# Usage: pip install -r requirements.txt# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0# Export --------------------------------------
# coremltools>=7.0.b1  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
# thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

第二步

使用conda创建一个虚拟环境。

# 使用conda创建虚拟环境
conda create -n yolov8 python=3.9
conda activate yolov8

然后切换到 ultralytics-main/ultralytics_yolov8文件夹下

cd [ultralytics-main/ultralytics_yolov8放置的文件夹路径]

执行下边的命令（后两条的命令可能执行的时间会长一点，请耐心等待）
```
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
```
执行下边的命令
```
pip install -e .
```
注warn： e后边有个点，两者之间用空格隔开了。

第三步

把自己需要转换的权重文件放到如下图所示的位置
执行下述命令
```
yolo export model=yolov8s.pt format=rknn
```
注：yolo export model=/your_path/best.pt format=rknn
执行上述命令可能会出现如下错误

简单理解：就是说onnx包没有找到，那我们就直接下载这个onnx包，然后再执行上述命令。
```
pip install onnx
```

ONNX转RKNN

注：需要确保当前环境支持RKNN转换，RKNN 目前支持 NVIDIA CUDA GPU,我的理解就是得有N卡。
创建一个虚拟环境
conda create -n rknn220 python=3.9
进入rknn-toolkit2-2.1.0\rknn-toolkit2-2.1.0\rknn-toolkit2\packages文件中
在当前路径下打开终端，或者使用cd命令切换到当前路径下，然后依次输入如下命令：
```
pip install -r requirements_cp39-2.2.0.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
```
requirements_cp39-2.2.0.txt文件名称就是这个package目录里的，选择自己虚拟环境里的python版本。

注：这里的cp39代表的是python3.9版本，选择合适自己的即可（我这里创建的虚拟环境是python3.9的）。
```
pip install rknn_toolkit2-2.2.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
```
rknn_toolkit2-2.2.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl文件也是类似的。
进入knn_model_zoo-2.1.0\examples\yolov8\python文件夹，打开convert.py修改模型的保存路径
然后将yolov8s.onnx移动到该目录中
最后执行python convert.py yolov8s.onnx rk3588
可在目录下找到生成的yolov8.rknn文件