Resnet50簡介

ResNet50網(wǎng)絡(luò)是2015年由微軟實驗室的何愷明提出，獲得ILSVRC2015圖像分類競賽第一名。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，但當網(wǎng)絡(luò)堆疊到一定深度時，就會出現(xiàn)退化問題。殘差網(wǎng)絡(luò)的特點是容易優(yōu)化，并且能夠通過增加相當?shù)纳疃葋硖岣邷蚀_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)中增加深度帶來的梯度消失問題。

本教程基于圖像分類算法ResNet50的訓(xùn)練和部署到EASY-EAI-Orin-nano(RK3576)進行說明。

2.準備數(shù)據(jù)集

2.1數(shù)據(jù)集下載

本教程以車輛分類算法為例，數(shù)據(jù)集的百度網(wǎng)盤下載鏈接為:

https://pan.baidu.com/s/1BhSF1PklkTQHg4vWGiRKow?pwd=1234提取碼：1234

解壓完成后得到以下兩個文件夾：

打開可以看到一共10類汽車：

類別名稱與類別索引關(guān)系如下所示：

3.ResNet50圖像分類訓(xùn)練

3.1訓(xùn)練源碼下載

訓(xùn)練源碼的百度網(wǎng)盤下載鏈接為:

https://pan.baidu.com/s/1-jDyeJEkBqEt0gbnMOdhPw?pwd=1234 提取碼：1234

得到下圖所示目錄：

把數(shù)據(jù)集解壓到當前目錄：

3.2訓(xùn)練模型

進入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端測試模型

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

python predict.py

結(jié)果類別索引號為1——BUS,測試結(jié)果正確。

3.4pth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-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。

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”。

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

4.4.3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：

4.1.4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:

docker load --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。

4.2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(xùn)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：

4.2.1模型轉(zhuǎn)換Demo下載

下載百度網(wǎng)盤鏈接：https://pan.baidu.com/s/1ZrTRTFqcJpYz5hNl4Fk-Jw 提取碼：1234。把resnet50_model_convert.tar.bz2和quant_dataset.zip解壓到虛擬機，如下圖所示:

4.2.2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:

4.2.3模型轉(zhuǎn)換Demo目錄介紹

模型轉(zhuǎn)換測試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:

4.2.5onnx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：

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_rk3576.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 = 'rk3576') 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 Orin nano環(huán)境運行：

5.ResNet50圖像分類部署

5.1模型部署示例介紹

本小節(jié)展示ResNet50模型的在EASY EAI Orin nano的部署過程，該模型僅經(jīng)過簡單訓(xùn)練供示例使用，不保證模型精度。

5.2源碼下載以及例程編譯

下載ResNet50 C Demo示例文件。

百度網(wǎng)盤鏈接: (https://pan.baidu.com/s/1fW0EUqEc-DxNPQiYfq6c4w?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:

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?，先切換目錄然后執(zhí)行以下指令：

cd ~/rknn-toolkit2 adb push resnet50_classification_C_demo /userdata

登錄到板子切換到例程目錄執(zhí)行編譯操作：

adb shell cd /userdata/resnet50_classification_C_demo chmod 777 build.sh ./build.sh

5.3 在開發(fā)板執(zhí)行ResNet50圖像分類算法

編譯成功后切換到可執(zhí)行程序目錄，如下所示：

cd /userdata/resnet50_classification_C_demo/resnet_classification_demo_release/

運行例程命令如下所示：

chmod 777resnet_classification_demo ./resnet_classification_demo

執(zhí)行結(jié)果如下圖所示，算法執(zhí)行時間約為9.7ms:

至此，ResNet50圖像分類例程已成功在板卡運行。

6.資料下載