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(wù)設(shè)計。它在保持YOLO家族高效推理速度的同時，通過創(chuàng)新的網(wǎng)絡(luò)結(jié)構(gòu)和分割頭設(shè)計，實現(xiàn)了像素級的精確目標檢測與分割，適用于自動駕駛、醫(yī)學影像、工業(yè)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(shù)據(jù)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(wǎng)盤鏈接:

https://pan.baidu.com/s/1kPU_t7GaZzi1zot_aI7xPQ?pwd=1234(提取碼:1234)

2.1 數(shù)據(jù)集準備

在開始yolov11訓練前，我看先準備好待訓練數(shù)據(jù)，如crack（裂縫數(shù)據(jù)集），數(shù)據(jù)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(shù)據(jù)格式說明如下圖所示：

注：如果你需要將json格式的標注數(shù)據(jù)轉(zhuǎn)成label標簽數(shù)據(jù)，可以使用./data/json_2_yolo.py腳本轉(zhuǎn)換。

2.2 訓練參數(shù)配置

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

其中：

data.yaml：為待訓練數(shù)據(jù)和驗證數(shù)據(jù)的路徑，以及類別數(shù)和類別名稱；

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

yolo11-seg.yaml：為yolov11-seg模型結(jié)構(gòu)，在模型訓練時，你需要修改類別數(shù)。

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：

fromultralyticsimportYOLOimportos
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(shù)據(jù)集路徑才能讓模型訓練的時候找到數(shù)據(jù)集:

執(zhí)行train.py訓練腳本，開始模型訓練，如下示意圖：

pythontrain.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(jīng)驗證集測試的最好結(jié)果的模型。同時可以執(zhí)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：

fromultralyticsimportYOLO
# Load a modelmodel_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 modelresults = model(image_path) # predict on an image
forresultinresults: 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(zhí)行腳本：

pythonpredict-seg.py

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

2.5 PT模型轉(zhuǎn)ONNX

在PC端執(zhí)行export.py將pt模型轉(zhuǎn)成onnx，如下代碼段所示：

fromultralyticsimportYOLO
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(zhí)行腳本：

pythonexport.py

生成best.onnx模型如下所示：

3. rknn-toolkit模型轉(zhuǎn)換

3.1 rknn-toolkit模型轉(zhuǎn)換環(huán)境搭建

onnx模型需要轉(zhuǎn)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(zhuǎn)換工具的環(huán)境。當然tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進行模型轉(zhuǎn)換，只是本教程onnx為例。

3.1.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

3.1.2 下載模型轉(zhuǎn)換工具

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

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(zhuǎn)換工具環(huán)境

在該目錄打開終端

執(zhí)行以下指令加載模型轉(zhuǎn)換工具docker鏡像:

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

執(zhí)行以下指令進入鏡像bash環(huán)境:

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

現(xiàn)象如下圖所示:

輸入“python”加載python相關(guān)庫，嘗試加載rknn庫，如下圖環(huán)境測試成功:

至此，模型轉(zhuǎn)換工具環(huán)境搭建完成。

4. 模型轉(zhuǎn)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(zhuǎn)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(zhuǎn)至 onnx 模型再轉(zhuǎn)換為 rknn 模型。模型轉(zhuǎn)換操作流程入下圖所示：

4.1 模型轉(zhuǎn)換Demo下載

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(zhuǎn)換工具docker環(huán)境

執(zhí)行以下指令把工作區(qū)域映射進docker鏡像，其中/home/developer/rknn-toolkit2/model_convert為工作區(qū)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(zhí)行成功如下圖所示:

4.3 模型轉(zhuǎn)換操作說明

4.3.1 模型轉(zhuǎn)換Demo目錄結(jié)構(gòu)

模型轉(zhuǎn)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(shù)據(jù)。如下圖所示:

4.3.2 onnx模型轉(zhuǎn)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：

fromrknn.apiimportRKNNimportsysfromrknn.apiimportRKNNONNX_MODEL ='best.onnx'DATASET ='./pic_path.txt'RKNN_MODEL ='./yolov11n_seg_rk3576.rknn'QUANTIZE_ON =Trueif__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) ifret !=0: print('Load model failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) ifret !=0: print('Build model failed!') exit(ret) print('done') # Export rknn model print('--> Export rknn model') ret = rknn.export_rknn(RKNN_MODEL) ifret !=0: print('Export rknn model failed!') exit(ret) print('done') # Release rknn.release()

并執(zhí)行如下命令進行模型轉(zhuǎn)換：

pythonrknn_convert.py

生成模型如下圖所示，EASY EAI Orin-nano環(huán)境運行：

5. 模型部署示例

本小節(jié)展示yolov11-seg模型的在EASY EAI Orin-nano的部署過程，本章章節(jié)使用的yolov11n_seg_rk3576.rknn是使用crack數(shù)據(jù)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(wǎng)盤鏈接:

https://pan.baidu.com/s/1GCBkHHWtgXMbDTvEPJHmAw?pwd=1234

（提取碼: 1234）

下載程序包移至ubuntu環(huán)境后，執(zhí)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

接下來需要通過adb把源碼傳輸?shù)桨蹇ㄉ希惹袚Q目錄然后執(zhí)行以下指令：

cd~/rknn-toolkit2adb push yolov11_seg_C_demo /userdata

登錄到板子切換到例程目錄執(zhí)行編譯操作

adb shellcd/userdata/yolov11_seg_C_demochmod777 build.sh./build.sh

5.2 開發(fā)板執(zhí)行yolov11 seg分割算法

編譯成功后切換到可執(zhí)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：

chmod777 yolov11_seg_demo./yolov11_seg_demo yolov11n_seg_rk3576.rknn crack.jpg

執(zhí)行結(jié)果如下圖所示,算法執(zhí)行時間為60.1768ms：

退出板卡環(huán)境，取回測試圖片:

exitadb 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(jié)果如下圖所示:

至此，yolov11-seg實例分割例程已成功在板卡運行。