(1)使用RKNN Toolkit导入量化后的模型时使rknn.build(do_quantization=False); (2)参考1.1设置channel_mean_value参数,确保其和训练模型时使用的参数相同; (3)务必确保测试时输入图像通道顺序为R,G,B。(不论训练时使用的图像通道顺序如何,使用RKNN做测试时都按R,G,B输入) (4)在rknn.config函数里面设置reorder_...
config是做归一化用的,这里写了归一操作 前处理代码里就要删掉,否则就重复运算了。 reorder channel输入 ... 如下是我在服务器上面预测的代码: 根据这个代码,应该是0001,和 012就可以了,但是处理后的图片如下:作者: jefferyzhang 时间: 2019-10-21 08:15 ...
确保源和目的文件名正确: 在main模块中rknn.config中增加 target_platform="rk3588" 参数: 在python 3.8的conda环境中执行python test.py 可以看到rknn模型文件生成了,而且在x86上的推理也成功了。 将推理的结果文件下载下来可以看到: 将yolov5.rknn文件传到rock上: cd ~/rknpu2/examples/rknn_yolov5_demo bash ...
如果有固件源码,可以在 kernel config 中将CONFIG_ROCKCHIP_RKNPU 选项的值改成 y 以集成 NPU 驱动,然后重新编译内核驱动并烧录。建议RKNPU2 驱动版本 >= 0.9.2。3.4.2 检查 RKNPU2 环境是否安装 RKNN-Toolkit2 的连板调试功能要求板端已安装 RKNPU2 环境,并且启动 rknn_server 服务。以下是 RKNPU2 ...
RKNN模型量化配置相关参数,接口函数为 rknn.config mean_values: 均值 std_values:归一化值 quant_img_RGB2BGR:表示在加载量化图像时是否需要先做RGB2BGR的操作。多个输入之间空格间隔,只用于量化阶段,实际推理阶段如果模型的输入为BGR,则实际输入的图片的格式也应该为BGR。
初始化RKNN对象时,可以设置verbose和verbose_file参数,以打印详细的日志信息。 1.2 rknn模型配置 转化模型之前需要先配置RKNN-Toolkit。使用到的API是config,使用示例如下: ret = rknn.config( reorder_channel='2 1 0', mean_values=[123.675, 116.28, 103.53], ...
# target_platform 可以用来配置不同的芯片, 目前支持 rk3566、rk3568、rk3588、rv1103、rv1106, 该参数的值大小写不敏感。 rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], quant_img_RGB2BGR=True, quantized_algorithm='normal', quantized_method='channel', target_platform...
box_priors = box_priors.reshape(4, NUM_RESULTS)returnbox_priorsif__name__ =='__main__':# Create RKNN objectrknn = RKNN()# Config for Model Input PreProcess#rknn.config(mean_values=[[127.5, 127.5, 127.5]], std_values=[[127.5, 127.5, 127.5]], reorder_channel='0 1 2')# Load Ten...
第三步,生成 RKNN 模型.具体的接口调用流程如下: 开始 创建RKNN对象,以初始化RKNN SDK环境 调用config接口设置模型的预处理参数 调用hybrid_quantization_step2接口构 建混合量化RKNN模型 调用export_rknn接口导出RKNN模型 调用release接口释放RKNN对象 结束 图 3-3-3-2 混合量化第三步接口调用流程 第四步,使用上一...