1. Resnet50簡(jiǎn)介

ResNet50網(wǎng)絡(luò)是2015年由微軟實(shí)驗(yàn)室的何愷明提出，獲得ILSVRC2015圖像分類(lèi)競(jìng)賽第一名。在ResNet網(wǎng)絡(luò)提出之前，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)都是將一系列的卷積層和池化層堆疊得到的，但當(dāng)網(wǎng)絡(luò)堆疊到一定深度時(shí)，就會(huì)出現(xiàn)退化問(wèn)題。 殘差網(wǎng)絡(luò)的特點(diǎn)是容易優(yōu)化，并且能夠通過(guò)增加相當(dāng)?shù)纳疃葋?lái)提高準(zhǔn)確率。其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來(lái)的梯度消失問(wèn)題。

本教程基于圖像分類(lèi)算法ResNet50的訓(xùn)練和部署到EASY-EAI-Nano-TB(RV1126B)進(jìn)行說(shuō)明。

2. 準(zhǔn)備數(shù)據(jù)集

2.1 數(shù)據(jù)集下載

本教程以車(chē)輛分類(lèi)算法為例，數(shù)據(jù)集的百度網(wǎng)盤(pán)下載鏈接為:

https://pan.baidu.com/s/1ZLuEpqLRlEcvgmkFXvj6-Q?pwd=1234 提取碼：1234

解壓完成后得到以下兩個(gè)文件夾：

打開(kāi)可以看到一共10類(lèi)汽車(chē)：

類(lèi)別名稱(chēng)與類(lèi)別索引關(guān)系如下所示：

3. ResNet50圖像分類(lèi)訓(xùn)練

3.1 訓(xùn)練源碼下載

訓(xùn)練源碼的百度網(wǎng)盤(pán)下載鏈接為:

https://pan.baidu.com/s/16Gm_dyJKXKdZNdqKolL1kA?pwd=1234 提取碼：1234

得到下圖所示目錄：

把數(shù)據(jù)集解壓到當(dāng)前目錄：

3.2 訓(xùn)練模型

進(jìn)入anconda的pyTorch環(huán)境，切換到訓(xùn)練源碼目錄執(zhí)行以下指令開(kāi)始訓(xùn)練：

python train.py

執(zhí)行結(jié)果如下圖所示:

訓(xùn)練結(jié)束后test loss結(jié)果如下所示:

訓(xùn)練結(jié)束后test accuracy結(jié)果如下所示:

生成的最優(yōu)模型如下所示：

3.3 在PC端測(cè)試模型

在訓(xùn)練源碼目錄執(zhí)行以下指令，測(cè)試模型(生成模型名稱(chēng)不一致則修改predict.py腳本):

python predict.py

結(jié)果類(lèi)別索引號(hào)為1——BUS, 測(cè)試結(jié)果正確。

3.4 pth模型轉(zhuǎn)換為onnx模型

執(zhí)行以下指令把pytorch的pth模型轉(zhuǎn)換onxx模型：

python pth_to_onnx.py

生成ONNX模型如下所示:

4. rknn-toolkit模型轉(zhuǎn)換

4.1 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-Nano-TB運(yùn)行，所以需要先搭建rknn-toolkit模型轉(zhuǎn)換工具的環(huán)境。當(dāng)然tensorflow、tensroflow lite、caffe、darknet等也是通過(guò)類(lèi)似的方法進(jìn)行模型轉(zhuǎn)換，只是本教程onnx為例。

4.1.1 概述

模型轉(zhuǎn)換環(huán)境搭建流程如下所示：

4.1.2 下載模型轉(zhuǎn)換工具

為了保證模型轉(zhuǎn)換工具順利運(yùn)行，請(qǐng)下載網(wǎng)盤(pán)里“06.AI算法開(kāi)發(fā)/01.rknn-toolkit2模型轉(zhuǎn)換工具/rknn-toolkit2-v2.3.2/docker/docker_image/rknn-toolkit2-v2.3.2-cp38-docker.tar.gz”。

網(wǎng)盤(pán)下載鏈接:https://pan.baidu.com/s/1wUy-UBy9n81p7jlee_dBVA?pwd=1234提取碼：1234。

4.1.3 把工具移到ubuntu20.04

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

4.1.4 運(yùn)行模型轉(zhuǎn)換工具環(huán)境

在該目錄打開(kāi)終端

執(zhí)行以下指令加載模型轉(zhuǎn)換工具docker鏡像:

docker load --input rknn-toolkit2-v2.3.2-cp38-docker.tar.gz

執(zhí)行以下指令進(jìn)入鏡像bash環(huán)境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert_test:/test rknn-toolkit2:2.3.2-cp38 /bin/bash

現(xiàn)象如下圖所示:

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

至此，模型轉(zhuǎn)換工具環(huán)境搭建完成。

4.2 模型轉(zhuǎn)換為RKNN

EASY-EAI-Nano-TB支持.rknn后綴的模型的評(píng)估及運(yùn)行，對(duì)于常見(jiàn)的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過(guò)我們提供的 toolkit 工具將其轉(zhuǎn)換至 rknn 模型，而對(duì)于其他框架訓(xùn)練出來(lái)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：

4.2.1 模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤(pán)鏈接：https://pan.baidu.com/s/1cpY_2zDJ18IURf8jTBHh8A?pwd=1234 提取碼：1234。把resnet50_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機(jī)，如下圖所示:

4.2.2 進(jìn)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(jìn)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-toolkit2:2.3.2-cp38 /bin/bash

執(zhí)行成功如下圖所示:

4.2.3 模型轉(zhuǎn)換Demo目錄介紹

模型轉(zhuǎn)換測(cè)試Demo由resnet50_model_convert和quant_dataset組成。resnet50_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:

resnet50_model_convert文件夾存放以下內(nèi)容，如下圖所示:

4.2.4 生成量化圖片列表

在docker環(huán)境切換到模型轉(zhuǎn)換工作目錄:

cd /test/resnet50_model_convert

如下圖所示:

執(zhí)行gen_list.py生成量化圖片列表:

python gen_list.py

命令行現(xiàn)象如下圖所示:

生成“量化圖片列表”如下文件夾所示:

4.2.5 onnx模型轉(zhuǎn)換為rknn模型

rknn_convert.py腳本默認(rèn)進(jìn)行int8量化操作，腳本代碼清單如下所示：

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_rv1126b.rknn' DATASET = './pic_path.txt' QUANTIZE_ON = True if __name__ == '__main__': # Create RKNN object rknn = RKNN(verbose=False) if not os.path.exists(ONNX_MODEL): print('model not exist') exit(-1) # pre-process config print('--> Config model') rknn.config(mean_values=[[123.67, 116.28,103.53]], std_values=[[58.395, 57.12, 57.375]], target_platform = 'rv1126b') 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') rknn.release()

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目錄，并執(zhí)行rknn_convert.py腳本進(jìn)行模型轉(zhuǎn)換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在rknn-toolkit環(huán)境和EASY EAI Nano-TB環(huán)境運(yùn)行：

5. ResNet50圖像分類(lèi)部署

5.1 模型部署示例介紹

本小節(jié)展示ResNet50模型的在EASY EAI Nano-TB的部署過(guò)程，該模型僅經(jīng)過(guò)簡(jiǎn)單訓(xùn)練供示例使用，不保證模型精度。

5.2 準(zhǔn)備工作

5.2.1 硬件準(zhǔn)備

需準(zhǔn)備EASY EAI Nano-TB開(kāi)發(fā)板，Type-C數(shù)據(jù)線(xiàn)、網(wǎng)線(xiàn)?？梢曰贛obaXterm的ssh遠(yuǎn)程桌面登錄調(diào)試。首先使用網(wǎng)線(xiàn)把EASY EAI Nano-TB的千兆以太網(wǎng)接口與連著路由LAN口的交換機(jī)或者路由器的LAN口連接，如下圖所示。

以及串口連接。

5.2.2 開(kāi)發(fā)環(huán)境準(zhǔn)備

如果您初次閱讀此文檔，請(qǐng)閱讀《入門(mén)指南/開(kāi)發(fā)環(huán)境準(zhǔn)備/Easy-Eai編譯環(huán)境準(zhǔn)備與更新》，并按照其相關(guān)的操作，進(jìn)行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進(jìn)入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment ./run.sh 2204

5.3 源碼下載以及例程編譯

下載ResNet50 C Demo示例文件。

百度網(wǎng)盤(pán)鏈接: (https://pan.baidu.com/s/1ecsc-vl9Qh6DjgRa_Eibvg?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 resnet50_classification_C_demo.tar.bz2

下載解壓后如下圖所示:

在EASY-EAI 編譯環(huán)境下，進(jìn)入到對(duì)應(yīng)的例程目錄執(zhí)行編譯操作，具體命令如下所示：

cd /opt/nfsroot/rknn-src/RV1126B/resnet50_classification_C_demo/ ./build.sh

同時(shí)，把可執(zhí)行程序目錄resnet_classification_demo_release/復(fù)制到開(kāi)發(fā)板/userdata目錄上：

cp resnet_classification_demo_release/ /mnt/userdata/ -rf

5.4 在開(kāi)發(fā)板執(zhí)行ResNet50 圖像分類(lèi)算法

通過(guò)串口調(diào)試或ssh調(diào)試，進(jìn)入板卡后臺(tái)，定位到例程部署的位置，如下所示：

cd /userdata/resnet_classification_demo_release/

運(yùn)行例程命令如下所示：

chmod 777 resnet_classification_demo ./resnet_classification_demo

執(zhí)行結(jié)果如下圖所示，算法執(zhí)行時(shí)間約為12.7ms:

至此，ResNet50圖像分類(lèi)例程已成功在板卡運(yùn)行。

6. 資料下載