国产精品久久久久不卡,国产成人精品一区二区色戒,久久成人激情

1. yolov11-seg簡介

yolov11-seg 是YOLO（You Only Look Once）系列的最新成員，專為實時實例分割任務設計。它在保持YOLO家族高效推理速度的同時，通過創新的網絡結構和分割頭設計，實現了像素級的精確目標檢測與分割，適用于自動駕駛、醫學影像、工業檢測等對精度和速度要求苛刻的場景。

本教程針對目標分割算法yolov11 seg的訓練和部署到EASY-EAI-Orin-nano(RK3576)進行說明，而數據標注方法可以參考我們往期的文章。

2. yolov11-seg模型訓練

yolov11-seg訓練代碼在導出部分對比原版會有一些修改，建議下載我們的訓練代碼。百度網盤鏈接:https://pan.baidu.com/s/1kPU_t7GaZzi1zot_aI7xPQ?pwd=1234(提取碼:1234)。

2.1 數據集準備

在開始yolov11訓練前，我看先準備好待訓練數據，如crack（裂縫數據集），數據集也在訓練工程的壓縮包里面了。

目錄如下圖示意：

crack-seg標簽數據格式說明如下圖所示：

注：如果你需要將json格式的標注數據轉成label標簽數據，可以使用./data/json_2_yolo.py腳本轉換。

2.2 訓練參數配置

配置模型的訓練參數：data.yaml，default.yaml，yolo11-seg.yaml，以crack-seg為例.

其中：

data.yaml：為待訓練數據和驗證數據的路徑，以及類別數和類別名稱；

default.yaml：為yolov11-seg訓練參數，可自行調整模型訓練的參數；

yolo11-seg.yaml：為yolov11-seg模型結構，在模型訓練時，你需要修改類別數。

更多關于yolov11-seg信息可參考：

https://blog.csdn.net/qq_45972324/article/details/143892222

2.3 模型訓練

完成上述步驟后，就可以開始訓練模型了，打開train.py腳本，輸入data.yaml，default.yaml，yolo11-seg.yaml路徑，如下代碼段所示：

from ultralytics import YOLO
import os

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"  
if __name__ == '__main__':
    cfg = r"./demo/crack-seg/default.yaml"
    data = r'./demo/crack-seg/data.yaml'
    #weight = r"./demo/weights/yolo11n-seg.pt"  # pt 或 yolovx.yaml
    weight = r"./demo/crack-seg/yolo11-seg.yaml"
    model = YOLO(weight)

    results = model.train(
        data=data,
        cfg=cfg
)

由于大家下載源碼包后解壓路徑都不一樣，所以需要更改data.yaml的數據集路徑才能讓模型訓練的時候找到數據集:

執行train.py訓練腳本，開始模型訓練，如下示意圖：

python train.py

2.4 PC端預測模型預測

訓練完畢后，在default.yaml文件配置的project目錄下保存訓練過程，經驗證集測試的最好結果的模型。同時可以執行模型預測，初步評估模型的效果。打開predict-seg.py腳本，配置好模型路徑和待檢測圖片，如下代碼片段：

from ultralytics import YOLO

# Load a model
model_path = r"./demo/crack/train/weights/best.pt"
image_path = r"./demo/crack-seg/test/images/1616.rf.c868709931a671796794fdbb95352c5a.jpg"

model = YOLO(model_path)  # load an official model

# Predict with the model
results = model(image_path)  # predict on an image

for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

執行腳本：

python predict-seg.py

腳本運行結束后，會將圖片結果圖片保存為result.jpg，運行結果如下圖所示：

2.5 PT模型轉ONNX

在PC端執行export.py將pt模型轉成onnx，如下代碼段所示：

from ultralytics import YOLO

if __name__ == '__main__':
    format = 'rknn' # 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn'
    weight = r"./demo/crack/train/weights/best.pt"  # pt 或 yolovx.yaml
    model = YOLO(weight)
    results = model.export(format = format)

執行腳本：

python export.py

生成best.onnx模型如下所示：

3. rknn-toolkit模型轉換

3.1 rknn-toolkit模型轉換環境搭建

onnx模型需要轉換為rknn模型才能在EASY-EAI-Orin-nano運行，所以需要先搭建rknn-toolkit模型轉換工具的環境。當然tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進行模型轉換，只是本教程onnx為例。

3.1.1 概述

模型轉換環境搭建流程如下所示：

3.1.2 下載模型轉換工具

為了保證模型轉換工具順利運行，請下載網盤里“06.AI算法開發/01.rknn-toolkit2模型轉換工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

網盤下載鏈接:https://pan.baidu.com/s/1J86chdq1klKFnpCO1RCcEA?pwd=1234(提取碼：1234)。

3.1.3 把工具移到ubuntu20.04

把下載完成的docker鏡像移到我司的虛擬機ubuntu20.04的rknn-toolkit2目錄,如下圖所示：

3.1.4 運行模型轉換工具環境

在該目錄打開終端

執行以下指令加載模型轉換工具docker鏡像:

docker load --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

執行以下指令進入鏡像bash環境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38 /bin/bash

現象如下圖所示:

輸入“python”加載python相關庫，嘗試加載rknn庫，如下圖環境測試成功:

至此，模型轉換工具環境搭建完成。

4. 模型轉換為RKNN

EASY EAI Orin-nano支持.rknn后綴的模型的評估及運行，對于常見的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過我們提供的 toolkit 工具將其轉換至 rknn 模型，而對于其他框架訓練出來的模型，也可以先將其轉至 onnx 模型再轉換為 rknn 模型。模型轉換操作流程入下圖所示：

4.1 模型轉換Demo下載

下載百度網盤鏈接：https://pan.baidu.com/s/1jrF2VFZImsBqWQeH4bawaA?pwd=1234(提取碼：1234。)把quant_dataset.zip和yolov11_seg_model_convert.tar.bz2解壓到虛擬機，如下圖所示:

4.2 進入模型轉換工具docker環境

執行以下指令把工作區域映射進docker鏡像，其中/home/developer/rknn-toolkit2/model_convert為工作區域，/test為映射到docker鏡像，/dev/bus/usb:/dev/bus/usb為映射usb到docker鏡像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert:/test rknn-toolkit2:2.3.0-cp38 /bin/bash

執行成功如下圖所示:

4.3 模型轉換操作說明

4.3.1 模型轉換Demo目錄結構

模型轉換測試Demo由yolov11_seg_model_convert和quant_dataset組成。yolov11_seg_model_convert存放軟件腳本, quant_dataset存放量化模型所需的數據。如下圖所示:

4.3.2 onnx模型轉換為rknn模型

rknn_convert.py腳本默認進行int8量化操作，腳本代碼清單如下所示：

from rknn.api import RKNN

import sys
from rknn.api import RKNN

ONNX_MODEL = 'best.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov11n_seg_rk3576.rknn'
QUANTIZE_ON = True


if __name__ == '__main__':

    # Create RKNN object
    rknn = RKNN(verbose=False)

    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform='rk3576')
    print('done')

    # Load model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')

    # Export rknn model
    print('--> Export rknn model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')

    # Release
    rknn.release()

并執行如下命令進行模型轉換：

python rknn_convert.py

生成模型如下圖所示，EASY EAI Orin-nano環境運行：

5. 模型部署示例

本小節展示yolov11-seg模型的在EASY EAI Orin-nano的部署過程，本章章節使用的yolov11n_seg_rk3576.rknn是使用crack數據集訓練得到。

5.1 源碼下載以及例程編譯

下載yolov11-seg C Demo示例文件。

百度網盤鏈接: https://pan.baidu.com/s/1GCBkHHWtgXMbDTvEPJHmAw?pwd=1234（提取碼: 1234）。

下載程序包移至ubuntu環境后，執行以下指令解壓：

tar -xvf yolov11_seg_model_convert.tar.bz2

下載解壓后如下圖所示:

通過adb接口連接EASY-EAI-Orin-nano,，連接方式如下圖所示:

接下來需要通過adb把源碼傳輸到板卡上，先切換目錄然后執行以下指令：

cd ~/rknn-toolkit2
adb push yolov11_seg_C_demo /userdata

登錄到板子切換到例程目錄執行編譯操作

adb shell
cd /userdata/yolov11_seg_C_demo
chmod 777 build.sh
./build.sh

5.2 開發板執行yolov11 seg分割算法

編譯成功后切換到可執行程序目錄，如下所示：

 cd /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/

運行例程命令如下所示：

chmod 777 yolov11_seg_demo
./yolov11_seg_demo yolov11n_seg_rk3576.rknn crack.jpg

執行結果如下圖所示,算法執行時間為60.1768ms：

退出板卡環境，取回測試圖片:

exit
adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/result.jpg .
adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/mask_bgr.jpg .

測試結果如下圖所示: