基于ultralytics-yolov8, 将其检测/分类/分割/姿态等任务移植到rk3588上C++源码+文档说明

<h1 style="text-align: center">ultralytics-rknn</h1> 这个项目基于 ultralytics-yolov8， 使用其网络和预训练模型移植到Rk3588开发板上， 完成边缘设备端的`检测`, `分类`, `分割`, `姿态`等任务。 ### 相关项目地址 [ultralytics](https://github.com/ultralytics/ultralytics.git): 使用的神经网络模型及权重来源 <br> [rknpu2](https://github.com/rockchip-linux/rknpu2): rk3588驱动项目<br> [rknn-toolkit2](https://github.com/rockchip-linux/rknn-toolkit2): rk3588模型移植相关项目<br> ### 注意事项 为了能让模型移植到`RK3588`上，对网络输出方式进行简单的修改，下方会叙述修改地方。 ### 项目环境 #### 1. 服务器端 (训练/测试/转换环境onnx) ``` python: 3.8 完全按照ultralytics原作者说明的环境 注意: onnx==1.10.0 protobuf==3.12.2 这里刚开始使用protobuf环境在3.19以上出现了，转换环境加载onnx错误的情况 ``` #### 2. 转换环境(rknn) ``` 均值: 0 0 0 方差: 255 255 255 安装rknn-toolkit2搭建即可。 ``` ### 3. 测试环境(RK3588) ``` RK3588使用的固件及转换环境均是v1.5.0, 其他版本未测试。 ``` ## 一. 检测模型迁移 ### 模型转换 #### 1. pth 2 onnx ``` 1. 运行 mytool/yolov8_det_export.py, 程序即可导出onnx模型 对于一个320尺寸模型，对于双输出。 ``` #####  ``` 代码来源: ultralytics/nn/modules/head.py line: 62 原: dbox = dist2bbox(self.dfl(box), self.anchors.unsqueeze(0), xywh=True, dim=1) * self.strides 改: dbox = dist2bbox(self.dfl(box), self.anchors.unsqueeze(0), xywh=False, dim=1) 取消原先框复原时的乘法操作，这里会导致rknn推理是commit错误 (验证得到) 并且原先直接xywh输出，因为怕同样错误，直接采用x1y1x2y2的双点输出。将xywh=False ``` #####  ``` 代码来源: ultralytics/nn/modules/head.py line: 73 原: return y if self.export else (y, x) 改: return dbox.permute(0, 2, 1), cls.sigmoid().permute(0, 2, 1) 原先 只返回y，是因为将结果合并，我这里直接基于修改1，直接返回dbox和cls，并且由于原输出为 dbox[1 4 2100]在c++处理时偏移较为麻烦,所以直接 permute将其变换为 [1 2100 4],便于c++后处理步骤 ``` ### RKNN测试 ``` [ cpp代码这边随便写的，只为能够最快测试流程和得到结果 ] // 交叉编译器自己安装，我这边使用的是aarch64-gcc10.2版本 // 编译 cd ~/test/cpp mkdir build && cd build cmake .. && make // 运行【注意模型位置及图像路径，代码中修改】生产res.jpg ./u2netp_demo ``` ### 结果展示(RK3588) ``` 基于320尺寸的yolov8n检测网络，FPS可以40到50左右，单帧速度20ms。 ```   ## 二. 分割模型迁移 Waiting... ## 三. 姿态模型迁移 Waiting... ## 四. 跟踪模型迁移 Waiting...