1. Resnet50簡介

ResNet50網絡是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網絡提出之前，傳統的卷積神經網絡都是將一系列的卷積層和池化層堆疊得到的，但當網絡堆疊到一定深度時，就會出現退化問題。 殘差網絡的特點是容易優化，并且能夠通過增加相當的深度來提高準確率。其內部的殘差塊使用了跳躍連接，緩解了在深度神經網絡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的訓練和部署到EASY-EAI-Nano(RV1126)進行說明。

2. 準備數據集

2.1 數據集下載

本教程以車輛分類算法為例，數據集的百度網盤下載鏈接為:

https://pan.baidu.com/s/1pkYm9AA3s3WDM7GecShlbQ 提取碼：6666

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：

3. ResNet50圖像分類訓練

3.1 訓練源碼下載

訓練源碼的百度網盤下載鏈接為:

https://pan.baidu.com/s/1slgFo12Hoy0_copi1MFmXg 提取碼：6666

得到下圖所示目錄：

把數據集解壓到當前目錄：

3.2 訓練模型

進入anconda的pyTorch環境，切換到訓練源碼目錄執行以下指令開始訓練：

python train.py

執行結果如下圖所示:

訓練結束后test loss結果如下所示:

訓練結束后test accuracy結果如下所示:

生成的最優模型如下所示：

3.3 在PC端測試模型

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

python predict.py

結果類別索引號為1——BUS, 測試結果正確。

3.4 pth模型轉換為onnx模型

執行以下指令把pytorch的pth模型轉換onxx模型：

python pth_to_onnx.py

生成ONNX模型如下所示:

4. rknn-toolkit模型轉換

4.1 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-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。

4.1.1 概述

模型轉換環境搭建流程如下所示：

4.1.2 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”AI算法開發/RKNN-Toolkit模型轉換工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。

網盤下載鏈接：https://pan.baidu.com/s/1_PquxW2rFuf77q6mT3gkDQ 提取碼：6666

4.1.3 把工具移到ubuntu18.04

把下載完成的docker鏡像移到我司的虛擬機ubuntu18.04的rknn-toolkit目錄,如下圖所示：

4.1.4 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 /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-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-toolkit:1.7.3 /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。

4.2 模型轉換為RKNN

EASY EAI 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：

4.2.1 模型轉換Demo下載

下載百度網盤鏈接：https://pan.baidu.com/s/1iTcklPq7lyfVbG4GlsZNIg 提取碼：6666。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-toolkit/model_convert_test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-toolkit/model_convert_test:/test rknn-toolkit:1.7.3 /bin/bash

執行成功如下圖所示:

4.2.3 模型轉換Demo目錄介紹

模型轉換測試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據。如下圖所示:

resnet50_model_convert文件夾存放以下內容，如下圖所示:

4.2.4 生成量化圖片列表

在docker環境切換到模型轉換工作目錄:

cd /test/resnet50_model_convert

如下圖所示:

執行gen_list.py生成量化圖片列表:

python gen_list.py

命令行現象如下圖所示:

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.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True

if __name__ == '__main__':

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

	if not os.path.exists(ONNX_MODEL):
		print('model not exist')
		exit(-1)

	# pre-process config
	print('--> Config model')
	rknn.config(reorder_channel='0 1 2',
			    mean_values=[[123.67, 116.28,103.53]],
			    std_values=[[58.395, 57.12, 57.375]],
			    optimization_level=3,
			    target_platform = 'rv1126',
			    output_optimize=1,
			    quantize_input_node=QUANTIZE_ON)
	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')

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目錄，并執行rknn_convert.py腳本進行模型轉換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在rknn-toolkit環境和EASY EAI Nano環境運行：

4.2.6 運行rknn模型

用predict.py腳本在PC端的環境下可以運行rknn的模型，如下圖所示:

predict.py腳本程序清單如下所示:

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
import random
from rknn.api import RKNN

RKNN_MODEL = '10class_ResNet50.rknn'
IMG_PATH = './test-1.jpg'


BOX_THRESH = 0.25
NMS_THRESH = 0.6


CLASSES = ("SUV", "bus", "family sedan", "fire engine", "heavy truck", "jeep", "minibus", "racing car", "taxi", "truck")


def show_outputs(output):

	print("softmax output:", output)

	max_confidence = np.max(output)
	index = np.where(output == max_confidence)
	print("max confidence:", max_confidence)
	print("max confidence index:", index[0][0])
	print("CLASSES predict: ", CLASSES[index[0][0]])

def softmax(x):
    return np.exp(x)/sum(np.exp(x))

if __name__ == '__main__':

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

	print('--> Loading model')
	ret = rknn.load_rknn(RKNN_MODEL)
	if ret != 0:
		print('load rknn model failed')
		exit(ret)
	print('done')

	# init runtime environment
	print('--> Init runtime environment')
	ret = rknn.init_runtime()
	# ret = rknn.init_runtime('rv1126', device_id='1126')
	if ret != 0:
		print('Init runtime environment failed')
		exit(ret)
	print('done')

	# Set inputs
	img = cv2.imread(IMG_PATH)
	img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
	resize_img = cv2.resize(img,(224,224))

	# Inference
	print('--> Running model')
	outputs = rknn.inference(inputs=[resize_img])

	print("outputs[0]:", outputs[0])
	print("outputs[0].shape:", outputs[0].shape)
	show_outputs(softmax(np.array(outputs[0][0])))

	print('done')
	rknn.release()

執行結果如下圖所示:

4.2.7 模型預編譯

由于rknn模型用NPU API在EASY EAI Nano加載的時候啟動速度會很慢，在評估完模型精度沒問題的情況下，建議進行模型預編譯。預編譯的時候需要通過EASY EAI Nano主板的環境，所以請務必接上adb口與ubuntu保證穩定連接。

板子端接線如下圖所示，撥碼開關需要是adb：

虛擬機要保證接上adb設備：

由于在虛擬機里ubuntu環境與docker環境對adb設備資源是競爭關系，所以需要關掉ubuntu環境下的adb服務，且在docker里面通過apt-get安裝adb軟件包。以下指令在ubuntu環境與docker環境里各自執行：

在docker環境里執行adb devices,現象如下圖所示則設備連接成功：

運行precompile_rknn.py腳本把模型執行預編譯：

python precompile_rknn.py

執行效果如下圖所示，生成預編譯模型10class_ResNet50_pre.rknn：

至此預編譯部署完成，模型轉換步驟已全部完成。生成如下預編譯后的int8量化模型：

至此RKNN模型生成完畢，注意預編譯模型只能在板卡端執行。

5. ResNet50圖像分類部署

5.1 模型部署示例介紹

本小節展示ResNet50模型的在EASY EAI Nano的部署過程，該模型僅經過簡單訓練供示例使用，不保證模型精度。

5.2 開發環境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發環境準備/Easy-Eai編譯環境準備與更新》，并按照其相關的操作，進行編譯環境的部署。

在PC端Ubuntu系統中執行run腳本，進入EASY-EAI編譯環境，具體如下所示。

cd ~/develop_environment
./run.sh

5.3 源碼下載以及例程編譯

下載ResNet50 C Demo示例文件。

百度網盤鏈接: (https://pan.baidu.com/s/1obT-Ipdwzafqyn3-93OoeA 提取碼：6666)。

下載程序包移至ubuntu環境后，執行以下指令解壓：

tar -xvf resnet50_classification_C_demo.tar.bz2

下載解壓后如下圖所示:

在EASY-EAI編譯環境下，切換到例程目錄執行編譯操作：

cd /opt/rknn-toolkit/resnet50_classification_C_demo/
./build.sh

注：

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持adb連接。

5.4 在開發板執行ResNet50 圖像分類算法

在EASY-EAI編譯環境下，在例程目錄執行以下指令把可執行程序推送到開發板端：

cp resnet_classification_demo_release/ /mnt/userdata/ -rf

通過按鍵Ctrl+Shift+T創建一個新窗口，執行adb shell命令，進入板卡運行環境:

adb shell

進入板卡后，定位到例程上傳的位置，如下所示：

 cd /userdata/resnet_classification_demo_release/

運行例程命令如下所示：

./resnet_classification_demo

執行結果如下圖所示，算法執行時間約為35ms:

至此，ResNet50圖像分類例程已成功在板卡運行。

6. 資料下載

審核編輯 黃宇