YOLO是一種基于深度神經網絡的目標檢測算法，用在圖像或視頻中實時識別和定位多個對象。在其各個版本的迭代中，YOLOv5憑借易用性和性能平衡在工業、 醫療、農業、零售等領域被廣泛的應用。本文以啟揚RK3588開發板為例，運行基于 YOLOv5 的先進目標檢測模型。
01

下載RKNN相關的倉庫

新建目錄存放RKNN倉庫，下載RKNN-Toolkit2和 RKNN_Model_Zoo 倉庫。

#新建目錄
mkdir RKNN_Projects
#進入該目錄
cdRKNN_Projects

#下載RKNN-Toolkit2 倉庫
gitclonehttps://github.com/airockchip/rknn-toolkit2.git --depth 1

#下載RKNN Model Zoo 倉庫
gitclonehttps://github.com/airockchip/rknn_model_zoo.git --depth 1

#注：git clone 可能會下載失敗，可以選擇開代理或者到github下載

02

安裝 RKNN-Toolkit2 環境

安裝 conda。

# X86_64
wget https://mirrors.bfsu.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

# Arm64
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh

chmod +x Miniconda3-latest-Linux-xxxxxxx.sh
bash Miniconda3-latest-Linux-xxxxxxx.sh -b -p miniconda3
sourceminiconda3/bin/activate

使用 conda 創建 python 環境。

conda create -n toolkit2 python=3.8

激活 toolkit2 環境。

conda activate toolkit2

03

安裝依賴庫和RKNN-Toolkit2

激活 toolkit2 環境之后，進入到 rknn-toolkit2 目錄，安裝依賴庫，并安裝rknn-toolkit2。

cdrknn-toolkit2/
cdrknn-toolkit2/packages/arm64

安裝依賴庫。

pip install -r arm64_requirements_cp38.txt
pip install rknn_toolkit2-2.3.2-cp38-cp38-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

04

YOLOv5 RKNN Python Demo

下載模型。

cdRKNN_Projects/rknn_model_zoo/examples/yolov5/model
bash download_model.sh

模型轉換。

cdRKNN_Projects/rknn_model_zoo/examples/yolov5/python
python convert.py ../model/yolov5s_relu.onnx rk3588 i8 ../model/yolov5s_relu.rknn

運行RKNN Python Demo。

python yolov5.py --model_path ../model/yolov5s_relu.rknn --target rk3588 --img_show

輸出結果如下圖所示：

啟揚RK3588開發板運行基于YOLOv5的物體識別模型演示視頻