Skip to main content

部署YOLOv8目标检测与姿态估计模型

此wiki将介绍如何训练官方的YOLOv8目标检测模型及将训练好的模型部署到Grove Vision AI(V2)或XIAO ESP32S3设备上。

数据集准备​

数据集建议使用roboflow平台，此平台可进行数据集的标注与一些数据增强策略，同时支持多种数据集格式的导出。

安装YOLOv8命令行工具​

  • 在此默认你已经有了python的环境与pip包管理工具，且python>=3.8。

安装 ultralytics 软件包，或通过运行 pip install -U ultralytics.请访问Python Package Index (PyPI)，了解更多有关 ultralytics包可访问 https://pypi.org/project/ultralytics/.

# 使用pip安装
pip install ultralytics
# 中国用户可使用镜像加速
# pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

Conda 是 pip 的替代软件包管理器，也可用于安装。更多详情请访问 Anaconda：https://anaconda.org/conda-forge/ultralytics 。Ultralytics 用于更新 conda 软件包的 feedstock 资源库位于https://github.com/conda-forge/ultralytics-feedstock/。

# 使用conda安装
conda install -c conda-forge ultralytics

克隆 ultralytics 如果你有兴趣参与开发，或希望使用最新的源代码进行实验，请访问软件仓库。克隆后，导航到目录，以开发者模式安装软件包使用 -e 参数安装。

# 克隆官方仓库
git clone https://github.com/ultralytics/ultralytics

# 进入到克隆下来的文件夹内
cd ultralytics

# 以开发者模型进行安装，以便后续的修改能够同步
pip install -e .

如果您对并不熟悉YOLOv8的代码建议您使用pip或者conda安装，如果您比较熟悉YOLOv8的代码同时追求在设备上有较好的推理速度建议使用Git安装，因为下面也会指导您如何修改YOLO的代码加速推理

  • 可使用版本查询命令测试是否成功安装yolo命令行工具
# 训练测试
yolo -v

训练​

  • 首先切入到所下载的数据集文件夹下

  • 执行以下命令开始训练模型

yolo train detect model=yolov8n.pt data=./data.yaml imgsz=192

导出模型至tflite​

  • 训练完成后的模型会再runs/train/exp*/weights/文件夹下，确认你的模型的评估指标达到你的需求
  • 使用以下命令可导出tflite模型
yolo export model=${你的模型路径}  format=tflite imgsz=192 int8
  • 之后会再所在文件夹下看到一个yolov8n_saved_model的文件夹，里面含有yolov8n_full_integer_quant.tflite模型文件

模型图优化​

  • Grove Vision AI(V2)支持使用vela优化后的模型，同时也能加速模型的推理，首先执行以下命令安装vela命令行工具

pip3 install ethos-u-vela
  • 之后需要下载vela相关的配置文件,或者复制下列的内容到一个文件内，可命名为vela_config.ini
; file: my_vela_cfg.ini ; ----------------------------------------------------------------------------- 
; Vela configuration file ; ----------------------------------------------------------------------------- 
; System Configuration 

; My_Sys_Cfg 
[System_Config.My_Sys_Cfg] 
core_clock=400e6 
axi0_port=Sram 
axi1_port=OffChipFlash 
Sram_clock_scale=1.0 
Sram_burst_length=32 
Sram_read_latency=16 
Sram_write_latency=16 
Dram_clock_scale=0.75 
Dram_burst_length=128 
Dram_read_latency=500 
Dram_write_latency=250 
OnChipFlash_clock_scale=0.25 
OffChipFlash_clock_scale=0.015625 
OffChipFlash_burst_length=32 
OffChipFlash_read_latency=64 
OffChipFlash_write_latency=64 
; ----------------------------------------------------------------------------- 
; Memory Mode 
; My_Mem_Mode_Parent 
[Memory_Mode.My_Mem_Mode_Parent] 
const_mem_area=Axi1 
arena_mem_area=Axi0 
cache_mem_area=Axi0
  • 最后使用以下命令，进行图优化
vela --accelerator-config ethos-u55-64 \ 
    --config vela_config.ini \
    --system-config My_Sys_Cfg \
    --memory-mode My_Mem_Mode_Parent \
    --output-dir ${优化后的模型保存路径} \
    ${需要被优化的tflite模型路径}

部署​

  • 需要部署的模型文件是以上导出的tflite文件，可根据以下教程将模型文件烧录至目标设备

  • 我们强烈建议使用我们的网页工具将训练好的tflite模型烧录到设备中，其详细操作我们提供的部署教程进行

注意:由于ESP32S3设备不支持经过vela图优化后的模型部署，因此如果你想将模型部署到XIAO ESP32S3设备上不需要进行tflite模型图优化。

Loading Comments...