Skip to main content

部署 YOLOv8 目标检测模型

本教程将介绍如何训练官方 YOLOv8 目标检测模型，并将训练好的模型部署到 Grove Vision AI (V2) 设备或 XIAO ESP32S3 设备上。

数据集准备​

推荐使用 roboflow 平台来管理数据集。该平台可以进行数据集标注和部分数据增强策略，并支持导出多种数据集格式。

安装 YOLOv8 命令行工具​

  • 默认情况下，你已经具备 python 环境和 pip 包管理工具，并且 python>=3.8。

安装 ultralytics 包，可以运行 pip install -U ultralytics。请访问 Python Package Index (PyPI) 了解更多关于 ultralytics 包的信息：https://pypi.org/project/ultralytics/。

# Install using pip
pip install ultralytics==8.2.8
# Chinese users can use mirror acceleration
# pip install ultralytics==8.2.8 -i https://pypi.tuna.tsinghua.edu.cn/simple

Tips: 如果你不熟悉 YOLOv8 的代码，建议使用 pip 或 conda 进行安装。

  • 你可以使用版本查询命令来测试 yolo 命令行工具是否安装成功。
# version query
yolo -v

训练​

  • 首先，进入下载好的数据集文件夹

  • 执行以下命令开始训练模型

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

导出模型为 tflite​

  • 训练完成后，模型将位于 runs/train/exp*/weights/ 文件夹中。请确保你的模型评估指标满足需求。
  • 使用以下命令导出 tflite 模型
yolo export model=${your model path}  format=tflite imgsz=192 int8
  • 然后你会在当前文件夹下看到一个 yolov8n_saved_model 文件夹，其中包含 yolov8n_full_integer_quant.tflite 模型文件，该模型文件可以部署到 Grove Vision AI(V2) 或 XIAO ESP32S3 设备。

模型图优化​

  • Grove Vision AI (V2) 支持经过 vela 优化的模型，并且可以加速模型推理。首先，执行以下命令安装 vela 命令行工具（XIAO ESP32S3 设备暂不支持）

pip3 install ethos-u-vela
  • 之后，你需要下载 vela 相关配置文件，或者将下面的内容复制到一个文件中，该文件可以命名为 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，使用以下命令对图进行优化
vela --accelerator-config ethos-u55-64 \ 
    --config vela_config.ini \
    --system-config My_Sys_Cfg \
    --memory-mode My_Mem_Mode_Parent \
    --output-dir ${Save path of the optimized model} \
    ${The path of the tflite model that needs to be optimized}

执行完成后，将在 --output-dir 指定的路径下生成一个经过图优化的 tflite 模型。

部署​

  • 需要部署的模型文件就是上面导出的 tflite 文件。你可以根据以下教程将模型文件烧录到目标设备中。

  • 我们强烈建议使用我们的 Web 工具将训练好的 tflite 模型烧录到设备中。详细操作请参考部署教程

Note: 由于 ESP32S3 设备不支持在 vela 图优化之后进行模型部署，如果你要将模型部署到 XIAO ESP32S3 设备，则无需对 tflite 模型进行图优化。

Loading Comments...