海思Hi3516DV300---部署yolov5检测+Sort跟踪算法

Posted 2021-10-18 Panda_Java

海思Hi3516DV300-部署

• 1. 部署yolov5检测+Sort跟踪算法---统计地铁中人流量（双向计数+tof相机）
• 2. yolov5s模型转换onnx模型
• 3. 在虚拟机中安装caffe （caffe模型的转化是在虚拟机中完成的）
• 4. onnx模型转换caffe模型
• 5. caffe模型转换wk模型
• 6. 在虚拟机中利用RuyiStudio生成的.wk文件转换成model.o文件（最终目标）
• 7. 可以用MobaXterm（或者Shell）连接上海思Hi3516DV300开发板
• 8. 计数平均准确度超过95%。
• 9. 参考文献

1. 部署yolov5检测+Sort跟踪算法—统计地铁中人流量（双向计数+tof相机）

先用python—yolov5s训练一个best.pt模型
我们与大家部署的更多一个跟踪Sort算法
我们已上传github：如下链接
链接: 海思Hi3516DV300-部署yolov5检测+Sort跟踪算法.

2. yolov5s模型转换onnx模型

1. pip安装onnx和onnx-simplifier
2. pip install onnx
3. pip install onnx-simplifier
4. git clone https://github.com/ultralytics/yolov5.git
5. 训练自己的模型步骤参考yolov5官方介绍，训练完成后我们得到了一个模型文件
6. cd yolov5
7. python models/export.py --weights 训练得到的模型权重路径 --img-size 训练图片输入尺寸
8. python -m onnxsim onnx模型名称 yolov5s-simple.onnx 得到最终简化后的onnx模型

3. 在虚拟机中安装caffe （caffe模型的转化是在虚拟机中完成的）

有点复杂，拷贝我的虚拟机吧。在我的笔记本上，我已经装好了。
密码：123

4. onnx模型转换caffe模型

1. git clone https://github.com/Wulingtian/yolov5_onnx2caffe.git
2. 解压 yolov5_onnx2caffe
3. cd yolov5_onnx2caffe
4. vim convertCaffe.py
5. 设置onnx_path（上面转换得到的onnx模型），prototxt_path（caffe的prototxt保存路径），caffemodel_path（caffe的caffemodel保存路径）
6. python convertCaffe.py 得到转换好的caffe模型（可得到一个.prototext文件和一个.caffemodel文件）

5. caffe模型转换wk模型

1.链接: 华为Hi3516DV300 系列芯片平台模型转换，caffe 转NNIE wk注意事项.
2. caffe模型转换wk模型本质：利用.prototext文件和一个.caffemodel文件生成.wk文件
3. 步骤: 按照上述链接新建工程—>双击左边的最下的.cfg文件

4. cfg配置如下：

5. 注意将.cfg文件中compile_mode = 0 改成compile_mode = 1

6. 点击执行 需要一些时间，这取决于你在Ruyi studio 用了多少张图片

6. 在虚拟机中利用RuyiStudio生成的.wk文件转换成model.o文件（最终目标）

1. mkdir build
2. cd build
3. cmake
4. make
5. make之后可生成一个可执行文件yolov5_sample
   如图下：
   

7. 可以用MobaXterm（或者Shell）连接上海思Hi3516DV300开发板

1. mkdir scw
2. cd scw
3. 将yolov5_sample 和检测的视频放在同一个文件夹(scw)下
4. 并对文件夹scw授权，执行命令：chmod -R 777 scw
5. 执行可执行文件yolov5_sample: ./yolov5_sample

8. 计数平均准确度超过95%。

9. 参考文献

链接: 基于Caffe格式部署YOLOV5模型.