本文主要是介绍【已解决】pt文件转onnx后再转rknn时得到推理图片出现大量锚框变花屏，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！
前言
环境介绍：
1.编译环境
Ubuntu 18.04.5 LTS
2.RKNN版本
py3.8-rknn2-1.4.0
3.单板
迅为itop-3568开发板
一、现象
采用yolov5训练并将pt转换为onnx，再将onnx采用py3.8-rknn2-1.4.0推理转换为rknn，rknn模型能正常转换，并且推理显示正常。但将rknn文件放到开发板，使用rknn_toolkit_lite2进行推理时，得到的推理图片出现大量锚框变花屏，如下。
二、解决
经过排查发现是前面为了解决rknn置信度大于1，图像出现乱框问题在将pt导出为onnx文件时，对yolo.py文件做了修改，引入了sigmoid函数。
models/yolo.py
def forward(self, x):z = [] # inference outputfor i in range(self.nl):if os.getenv('RKNN_model_hack', '0') != '0':x[i] = torch.sigmoid(self.m[i](x[i])) # convreturn x
# def forward(self, x):
# z = [] # inference output
# for i in range(self.nl):
# x[i] = self.m[i](x[i]) # conv
# bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
# x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
#
# if not self.training: # inference
# if self.grid[i].shape[2:4] != x[i].shape[2:4] or self.onnx_dynamic:
# self.grid[i] = self._make_grid(nx, ny).to(x[i].device)
#
# y = x[i].sigmoid()
# if self.inplace:
# y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i] # xy
# y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
# else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
# xy = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i] # xy
# wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i].view(1, self.na, 1, 1, 2) # wh
# y = torch.cat((xy, wh, y[..., 4:]), -1)
# z.append(y.view(bs, -1, self.no))
#
# return x if self.training else (torch.cat(z, 1), x)
而板子上跑的test_rknn_lite.py后期对数据处理函数与虚拟机上推理导出rknn函数存在差异，而这差异就是对sigmoid函数的处理不同。
没有sigmoid函数的，不会出现花屏现象！！！
修改过后推理结果正常。
这篇关于【已解决】pt文件转onnx后再转rknn时得到推理图片出现大量锚框变花屏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！
