YOLO V5训练模型部署到瑞芯微的板子上面，官方是有给出案例和转过详情的。并且也提供了Python版本的推理代码，以及C语言的代码。

但是，对于转换过程中的细节，哪些需要改？怎么改？如何改，和为什么这样改的问题，并没有给出详细的介绍。

于是，本文就是对官方给出部分外的一个补充。这部分都是多次踩过坑的总结，相信会对你的操作和遇到的问题会有较大帮助的。

一、从pytorch的pt到rknn转换

• 第一步： 使用yolov5提供的export.py函数导出yolov5.onnx模型

python3 export.py --weights yolov5s.pt --img-size 640 --include onnx

• 第二步：使用onnxsim简化导出的yolov5.onnx模型

onnxsim是一个基于ONNX规范的工具，通过简化ONNX模型和优化ONNX模型，帮助用户减小模型大小、提高模型的推理速度和减少推理过程中的内存开销。
onnxsim的工作原理是将一个ONNX模型简化成最少的节点，并优化这些节点，以最小化推理过程中的开销。
同时，onnxsim还可以处理支持的神经网络层类型，支持多个平台，例如：CPU,GPU, FPGA等。

onnxsim安装和使用：onnx-simplifier

pip3 install onnxsim

Then:

onnxsim input_onnx_model output_onnx_model

• 第三步：要完全使用rknn提供的部署转换代码，需要根据简化后的onnx模型，选取合适层的输出，以替代以下代码中的‘378’，‘439’和‘500’，如下图onnx例子中的'onnx::Reshape_446'，‘onnx::Reshape_484’，‘onnx::Reshape_522’。（这三个name，可能都是不一样的，是什么就填什么即可）

# Load ONNX model
print('--> Loading model')
ret = rknn.load_onnx(model=ONNX_MODEL, outputs=['onnx::Reshape_446', 'onnx::Reshape_484', 'onnx::Reshape_522'])
if ret != 0:
    print('Load yolov5 failed!')
    exit(ret)
print('done')

采用Netron打开的onnx文件，如下：

疑问：为什么不用最后合并后的输出结果？

因为，最后的形状不固定导致的，有可能5个框，有可能10个框。输出模型到固定大小，后续操作放到后处理，目的是为了加快模型的npu上的推理速度(这里是我的理解，不一定正确，欢迎补充)

在PyTorch中，神经网络的输出形状通常是根据输入形状来自动计算的，而在 ONNX 中，输出形状需要在转换时进行显式指定，这是由于 ONNX 的静态图执行模型与 PyTorch 的动态图执行模型不同所致。
当你将PyTorch模型转换为 ONNX 模型时，你需要为 ONNX 模型中的每个输出定义固定的形状，以便在模型执行时为其分配正确的内存空间。如果输出形状不固定，那么 ONNX 运行时就需要在运行时动态调整输出形状，这将使得模型在部署时的性能受到影响。
因此，在转换 PyTorch 模型为 ONNX 模型时，你需要手动指定每个输出的固定形状，以便在执行时能够顺利运行。

Yolo v5的输出格式一般为a × b × c × 85的形式，其中:

1. a*b*c表示框的数目
2. 85则涵盖框的位置信息（xc，yc，w，h）、前景的置信度Pc和80个类别的预测条件概率c1，...，c80。（4+1+80，无背景类）

如果是你自己的模型，可能是只有3个目标类别，那么最后就是4+1+3=8，这个值记得在onnx模型中查看到。

二、需要注意事项

2.1、 设定anchor值

anchor的设定，在训练yolo v5模型时候，是可以设定自动适应，采用聚类的方式，通过标注的目标框的大小，给出anchor的值。在train.py中，noaotoanchor的默认为False，如果设定为True，则会使用默认的anchor设定。

所以，如果经过autoanchor，给出了新的anchor设定，那么在推理和转完rknn后的设定，都需要与之相匹配的anchor，这个很重要。

为什么官方和很多博客，都没有注意到这个问题呢？因为大多数情况下，aotoanchor并没有发挥作用。都是使用了默认的，导致很多人即便没有注意到这个问题，最后的结果也不差。

但是，如果是不一样的，结果就会比较差，这个值就需要对应的做修改了。所以这里一定需要注意，确保设定的没有错误。

下面介绍两种查询训练好的模型对应anchor值的两种方式。一种是在训练阶段观察，看看是否自动设定了新的anchor，另一种是在存储好的模型里面查看，也是可以读取到的。

2.1.1、训练阶段记录

如果在训练阶段，你已经关注到autoAnchor的输出结果，可以在这里直接进行记录，在terminal打印的内容，大致如下：

AutoAnchor: 3.60 anchors/target, 0.974 Best Possible Recall (BPR). Anchors are a poor fit to dataset , attempting to improve...
AutoAnchor: WARNING  Extremely small objects found: 764 of 27545 labels are <3 pixels in size
AutoAnchor: Running kmeans for 9 anchors on 27522 points...
AutoAnchor: Evolving anchors with Genetic Algorithm: fitness = 0.8052: 100%|██████████| 1000/1000 00:10
AutoAnchor: thr=0.25: 0.9996 best possible recall, 5.11 anchors past thr
AutoAnchor: n=9, img_size=640, metric_all=0.358/0.805-mean/best, past_thr=0.532-mean: 5,5, 7,8, 11,11, 17,17, 28,28, 41,37, 56,56, 79,82, 143,140

2.1.2、pt 文件查询记录

查询autoAnchor记录到.pt文件内的anchor设定，如下：

import torch
import sys
sys.path.append("path/yolov5-master")
weights = 'best.pt'
model = torch.load(str(weights[0] if isinstance(weights, list) else weights), map_location='cpu')
model1 = model['ema' if model.get('ema') else 'model']
model2 = model1.float().fuse().model.state_dict()

for k,v in model2.items():
    if 'anchor' in k:
        # print(k)
        # print(v)
        print(v.numpy().flatten().tolist())

打印结果：

Fusing layers... 
[0.54345703125, 0.58251953125, 0.8525390625, 0.88818359375, 1.353515625, 1.318359375, 1.0859375, 1.0380859375, 1.75390625, 1.705078125, 2.38671875, 2.462890625, 1.7421875, 1.6787109375, 2.578125, 2.458984375, 3.904296875, 3.75]
[4.34765625, 4.66015625, 6.8203125, 7.10546875, 10.828125, 10.546875, 17.375, 16.609375, 28.0625, 27.28125, 38.1875, 39.40625, 55.75, 53.71875, 82.5, 78.6875, 124.9375, 120.0]
YOLOv5m summary: 308 layers, 21037791 parameters, 0 gradients

第二行是真的，需要取整。第一行…

经过我的发现，如果你打印的anchor就一行，那么可能是默认的anchor（默认使用COCO数据集的anchor），就是good fit to dataset，也就是默认的：

[[10, 13], [16, 30], [33, 23],
[30, 61], [62, 45],[59, 119],
[116, 90], [156, 198], [373, 326]]

2.2、rk3588 推理性能查看

如何查看，可以去看第一篇的文章，在预测推理部分有几行代码是用于查询这个信息的。在官方的文档里面，也能看到。

其中，yolo v5m 量化前性能：

推理性能：
                               Performance                              
Total Time(us): 194162
FPS: 5.15

占用内存：
            Memory Profile Info Dump                  

NPU model memory detail(bytes):
    Total Weight Memory: 39.83 MiB
    Total Internal Tensor Memory: 19.50 MiB
    Total Memory: 59.33 MiB

量化后性能

推理性能：
                               Performance                              
Total Time(us): 137508
FPS: 7.27


占用内存：

            Memory Profile Info Dump                  
NPU model memory detail(bytes):
    Total Weight Memory: 20.03 MiB
    Total Internal Tensor Memory: 8.75 MiB
    Total Memory: 28.78 MiB

总的来说：

• 模型时间效率上，量化后能降低30%，194ms到137ms；
• 占用内存上，量化后减少50%，59Mib到29Mib；

三、C/C++ API部署

• 目标检测 YOLOv5 - 基于 瑞芯微 Rockchip RKNN C API 实现 ----------- github代码

• yolov8 瑞芯微 RKNN 的 C++部署------------- github代码

上述两个参考链接，基本囊括了一下几个部分：

1. rknn模型转换
2. Python rknn推理
3. c/c++ rknn推理（ YOLO v5部分是瑞芯微官方开放的代码）

如果你也是参考瑞芯微官方的C API代码，那么替换上你的模型后，有几个地方需要修改：

1. 输入图像大小要改
2. anchor尺寸要改
   const int anchor0[6] = {4, 5, 7, 7, 11, 11};
const int anchor1[6] = {17, 17, 28, 27, 38, 39};
const int anchor2[6] = {56, 54, 83, 79, 125, 120};
3. 前景box阈值修改
   const float box_conf_threswin = 0.25;
4. nms阈值修改
   const float nms_threswin = 0.1;
5. 类别置信度重新调整
   objProbs.push_back(current_prob*box_confidence);
6. 针对各个类，采用不同的阈值（待补充，这部分瑞芯微未采用这种二次过滤方式）

尤其是anchor这里，如果设定的不对，那么输出的结果就会非常的奇怪。如果是对的，那么差异性相对会小很多(和本地pt测试结果对比)。

四、总结

本文是对YOLO V5模型部署到瑞芯微板子上遇到的问题汇总。当然可能还会存在其他的更多问题，但是暂时还没有遇到，所以后面如果还会遇到什么问题，还会补充到这里。

如果你也正在做这块，并且遇到了问题，可以评论交流。目前还发现就是转模型后的评估问题，这个后面也会按照官方教程进行测试，这是下一篇的预告，期待。

---

最后，如果你觉得本篇文章对你有帮助，欢迎点赞，让更多人看到，这是对我继续写下去的鼓励。本系列文章都不会收费，如果能再点击下方的红包打赏，给博主来一杯咖啡，那就太好了。