本文主要是介绍RKNPU2 Yolo-v5 集成文档，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
导出 rknn 模型的指南
请参考此链接：https://github.com/airockchip/rknn_model_zoo/tree/main/models/CV/object_detection/yolo
注意事项
- 使用的rknn-toolkit2版本需大于或等于1.4.0；
- 如果使用自己训练的模型，需要注意对齐后处理的参数，如锚点（anchor），否则会导致后处理分析错误；
- 官方网站和 rk 预训练模型都检测 80 种目标。如果自己训练模型，需要更改 include/postprocess.h 中的 OBJ_CLASS_NUM 和 NMS_THRESH、BOX_THRESH 等后处理参数。
- 演示需要支持 librga.so，请参考 https://github.com/airockchip/librga 进行编译和使用
- 由于硬件限制，演示模型默认将 yolov5 模型的后处理部分移至 cpu 实现。附带的模型均使用 ReLU 作为激活函数。与 silu 相比，精度稍低，但性能大幅提升。
Aarch64 Linux 演示
编译 && 构建
根据目标平台，修改 ‘build-android_<TARGET_PLATFORM>.sh’ 中的 ‘TOOL_CHAIN’ 路径。例如：
复制代码export TOOL_CHAIN=~/opt/tool_chain/gcc-9.3.0-x86_64_aarch64-linux
然后运行脚本
复制代码./build-linux_<TARGET_PLATFORM>.sh
将所有构建输出文件推送到主板
将 install/rknn_yolov5_demo_Linux 推送到主板：
- 使用 scp 或其他不同的方法将 install/rknn_yolov5_demo_Linux 下的所有文件推送到 ‘/userdata’
运行
cd /userdata/rknn_yolov5_demo_Linux/export LD_LIBRARY_PATH=./lib
./rknn_yolov5_demo model/<TARGET_PLATFORM>/yolov5s-640-640.rknn model/bus.jpg
注意：如果找不到 libra.so 文件，请尝试查找其位置并将其添加到 LD_LIBRARY_PATH 中。可以使用以下命令将其添加到 LD_LIBRARY_PATH 中：
export LD_LIBRARY_PATH=./lib:<LOCATION_LIBRGA.SO>
视频演示 demo
H264./rknn_yolov5_video_demo model/<TARGET_PLATFORM>/yolov5s-640-640.rknn xxx.h264 264通过ffmpeg将xxx.mp4转换为h264：ffmpeg -i xxx.mp4 -vcodec h264 out.h264H265./rknn_yolov5_video_demo model/<TARGET_PLATFORM>/yolov5s-640-640.rknn xxx.hevc 265通过ffmpeg将xxx.mp4转换为h265：ffmpeg -i xxx.mp4 -vcodec hevc out.hevcRTSP./rknn_yolov5_video_demo model/<TARGET_PLATFORM>/yolov5s-640-640.rknn <RTSP_URL> 265
官方文档地址
官方文档地址
这篇关于RKNPU2 Yolo-v5 集成文档的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
