RKNN-YOLO CPP代码部署 (RK3399Pro)

提供anchor-free和anchor-based的c++参考代码

YOLOv5-Style(anchor-based)
YOLOX-Style(anchor-free)

已支持

detection 目标检测
tracking 多目标跟踪
keypoints detection (pose-estimation) 关键点检测
yolov5-Style/data/weights提供2个rknn模型：human.rknn, pose.rknn
yoloX-Style/data/weights提供1个coco.rknn模型

Installation

install eigen
installopencv
compile：

mkdir build
cd build
cmake ..
make

快速开始

目标检测(detection):

YOLOX-Style

./main ../data/weights/test.rknn ../data/images/bus.jpg .4 .4

YOLOv5-Styl

./main 0 ../data/weights/test.rknn ../data/images/bus.jpg .4 .4

目标跟踪(tracking):

src/main.cpp下，取消Track注释即可

auto start = chrono::system_clock::now(); // start
model->Detect(frame, CONF_THRESH, NMS_THRESH); // detect
// model->Track(tracker, frame, false); // tracking(enable_trajectory=false)
auto end = chrono::system_clock::now();  // end

关键点检测(pose):

当前仅提供了YOLOv5-Style关键点decode代码，并且提供量化转换后的RKNN模型 => YOLOv5/Stle/data/weights/pose.rknn。由于8bit量化,关键点偏移较大，建议使用FP16模型。

YOLOv5-Style

./main 2 ../data/weights/test.rknn ../data/images/bus.jpg .4 .4

rknn模型导出

pipeline: pytorch => onnx => rknn 可以从本人另一个repo导出：(https://github.com/jamjamjon/YOLOXY/tree/master)

python tool.py --include rknn

yolov5的导出可以参考YOLOXY中common.py => DetectX()。

注意

YOLOX-Style/data/weights下的.rknn模型仅供测试。

jamjamjon/RKNN-YOLO