| 多线程 YOLO7 |
|---|
| 8 个并行线程 |
| 8 个模型实例并行 |
| 同时处理 8 帧 |
| 实时视频流 |
| 摄像头/视频文件 |
| RTMP/RTSP 推流 |
| GPIO + 串口 |
| 高帧率实时处理 |
局域网内调试
用网线直连笔记本的以太网口与 RK3588 的以太网口
在 Windows 开启“Internet 连接共享”(ICS)，把 Wi‑Fi 共享到以太网
- 右键 Wi‑Fi → 属性 → 切换到“共享”选项卡
- 勾选“允许其他网络用户通过此计算机的 Internet 连接来连接
- 完成以上设置后，VS Code 可通过 Remote‑SSH 连接 RK3588：在 VS Code/终端使用 ssh 用户名@192.168.137.x 进行连接。RK3588 端只要 sshd 运行、网线直连、且已拿到 192.168.137.x 地址即可
或者可以添加网段 sudo ip addr add 192.168.137.3/24 dev eth0
主机端操作
模型训练
我使用 docker 挂载 file 文件夹中的 code、data、rknn
训练
# 开始
python train.py --data data/VisDrone.yaml --name yolov7-vis2019
# 恢复
python train.py --resume
#or 指定恢复
python train.py --resume runs/train/yolov7-vis2019/weights/last.pt
best.pt 转换为 onnx 模型
python export.py --rknpu rk3588 --weight ./runs/train/yolov7-vis2019/weights/best.pt # ./当前目录
Note
请注意,要在此项目上运行新的 onnx 转 rknn 的模型,需要特定的 toolkit 版本 ->1.5.2 GitHub - airockchip/rknn-toolkit2 at v1.5.2
# python
conda activate rknntoolkit
pip install rknn_toolkit2-1.5.2+b642f30c-cp36-cp36m-linux_x86_64.whl
在 file/rknn/rknn_model_zoo/examples/yolov7/python 中运行代码进行 onnx -> rknn
python convert.py ../model/best.onnx rk3588
板端操作
#烧入镜像后修改 orangepi 初始密码并通过 orange-config 设置串口 0/1
sudo passwd orangepi 改成 423 #修改的是orangepi这个账户密码
#赋予整个文件夹执行权限
sudo chmod -R +x /home/orangepi/rknn-cpp-Multithreading-yolov7-1.5.2
#安装依赖
sudo apt-get update
sudo apt install cmake gstreamer1.0-rtsp libopencv-dev
#增强性能
sudo ./performance.sh
#自启动
mv detect.desktop ../.config/autostart/
##说明
postprocess.h 文件定义了解析和翻译神经网络原始输出的规则和工具，是连接“AI 模型推理”和“最终可用结果”之间的桥梁。
postprocess.cc 是 postprocess.h 的具体实现。
修改模型后需要的步骤
基础修改
将转换好的模型拷贝至部署代码的model/RK3588的文件夹中，同时参照model文件夹中的文本编写类别信息
修改include/postprocess.h中OBJ_CLASS_NUM（类别数）
和src/postprocess.cc的LABEL_NALE_TXT_PATH（类别信息文本的地址）
记得修改锚点数组数据
- 通常换新的模型,输出的锚点会不同 RK_anchors
修改模型后记得重新编译