RK3576 yolo11-seg训练部署教程

1. yolov11-seg简介

yolov11-seg 是YOLO（You Only Look Once）系列的最新成员，专为实时实例分割任务设计。它在保持YOLO家族高效推理速度的同时，通过创新的网络结构和分割头设计，实现了像素级的精确目标检测与分割，适用于自动驾驶、医学影像、工业检测等对精度和速度要求苛刻的场景。

本教程针对目标分割算法yolov11 seg的训练和部署到EASY-EAI-Orin-nano(RK3576)进行说明，而数据标注方法可以参考我们往期的文章。

2. yolov11-seg模型训练

yolov11-seg训练代码在导出部分对比原版会有一些修改，建议下载我们的训练代码。百度网盘链接:

https://pan.baidu.com/s/1kPU_t7GaZzi1zot_aI7xPQ?pwd=1234(提取码:1234)

2.1 数据集准备

在开始yolov11训练前，我看先准备好待训练数据，如crack（裂缝数据集），数据集也在训练工程的压缩包里面了。

目录如下图示意：

crack-seg标签数据格式说明如下图所示：

注：如果你需要将json格式的标注数据转成label标签数据，可以使用./data/json_2_yolo.py脚本转换。

2.2 训练参数配置

配置模型的训练参数：data.yaml，default.yaml，yolo11-seg.yaml，以crack-seg为例.

其中：

data.yaml：为待训练数据和验证数据的路径，以及类别数和类别名称；

default.yaml：为yolov11-seg训练参数，可自行调整模型训练的参数；

yolo11-seg.yaml：为yolov11-seg模型结构，在模型训练时，你需要修改类别数。

2.3 模型训练

完成上述步骤后，就可以开始训练模型了，打开train.py脚本，输入data.yaml，default.yaml，yolo11-seg.yaml路径，如下代码段所示：

fromultralyticsimportYOLOimportos

os.environ["KMP_DUPLICATE_LIB_OK"] ="TRUE" if__name__ =='__main__': cfg =r"./demo/crack-seg/default.yaml" data =r'./demo/crack-seg/data.yaml' #weight = r"./demo/weights/yolo11n-seg.pt" # pt 或 yolovx.yaml weight =r"./demo/crack-seg/yolo11-seg.yaml" model = YOLO(weight)

results = model.train( data=data, cfg=cfg)

由于大家下载源码包后解压路径都不一样，所以需要更改data.yaml的数据集路径才能让模型训练的时候找到数据集:

执行train.py训练脚本，开始模型训练，如下示意图：

pythontrain.py

2.4 PC端预测模型预测

训练完毕后，在default.yaml文件配置的project目录下保存训练过程，经验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果。打开predict-seg.py脚本，配置好模型路径和待检测图片，如下代码片段：

fromultralyticsimportYOLO

# Load a modelmodel_path =r"./demo/crack/train/weights/best.pt"image_path =r"./demo/crack-seg/test/images/1616.rf.c868709931a671796794fdbb95352c5a.jpg"

model = YOLO(model_path) # load an official model

# Predict with the modelresults = model(image_path) # predict on an image

forresultinresults: boxes = result.boxes # Boxes object for bounding box outputs masks = result.masks # Masks object for segmentation masks outputs keypoints = result.keypoints # Keypoints object for pose outputs probs = result.probs # Probs object for classification outputs obb = result.obb # Oriented boxes object for OBB outputs result.show() # display to screen result.save(filename="result.jpg") # save to disk

执行脚本：

pythonpredict-seg.py

脚本运行结束后，会将图片结果图片保存为result.jpg，运行结果如下图所示：

2.5 PT模型转ONNX

在PC端执行export.py将pt模型转成onnx，如下代码段所示：

fromultralyticsimportYOLO

if__name__ =='__main__': format='rknn'# 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn' weight =r"./demo/crack/train/weights/best.pt" # pt 或 yolovx.yaml model = YOLO(weight) results = model.export(format=format)

执行脚本：

pythonexport.py

生成best.onnx模型如下所示：

3. rknn-toolkit模型转换

3.1 rknn-toolkit模型转换环境搭建

onnx模型需要转换为rknn模型才能在EASY-EAI-Orin-nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。

3.1.1 概述

模型转换环境搭建流程如下所示：

3.1.2 下载模型转换工具

为了保证模型转换工具顺利运行，请下载网盘里“06.AI算法开发/01.rknn-toolkit2模型转换工具/rknn-toolkit2-v2.3.0/docker/rknn-toolkit2-v2.3.0-cp38-docker.tar.gz”。

3.1.3 把工具移到ubuntu20.04

把下载完成的docker镜像移到我司的虚拟机ubuntu20.04的rknn-toolkit2目录,如下图所示：

3.1.4 运行模型转换工具环境

在该目录打开终端

执行以下指令加载模型转换工具docker镜像:

dockerload --input rknn-toolkit2-v2.3.0-cp38-docker.tar.gz

执行以下指令进入镜像bash环境:

docker run-t-i--privileged-v/dev/bus/usb:/dev/bus/usb rknn-toolkit2:2.3.0-cp38/bin/bash

现象如下图所示:

输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:

至此，模型转换工具环境搭建完成。

4. 模型转换为RKNN

EASY EAI Orin-nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程入下图所示：

4.1 模型转换Demo下载

把quant_dataset.zip和yolov11_seg_model_convert.tar.bz2解压到虚拟机，如下图所示:

4.2 进入模型转换工具docker环境

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit2/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert:/test rknn-toolkit2:2.3.0-cp38 /bin/bash

执行成功如下图所示:

4.3 模型转换操作说明

4.3.1 模型转换Demo目录结构

模型转换测试Demo由yolov11_seg_model_convert和quant_dataset组成。yolov11_seg_model_convert存放软件脚本,quant_dataset存放量化模型所需的数据。如下图所示:

4.3.2 onnx模型转换为rknn模型

rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：

fromrknn.apiimportRKNNimportsysfromrknn.apiimportRKNNONNX_MODEL ='best.onnx'DATASET ='./pic_path.txt'RKNN_MODEL ='./yolov11n_seg_rk3576.rknn'QUANTIZE_ON =Trueif__name__ =='__main__': # Create RKNN object rknn = RKNN(verbose=False) # Pre-process config print('--> Config model') rknn.config(mean_values=[[0,0,0]], std_values=[ [255,255,255]], target_platform='rk3576') print('done') # Load model print('--> Loading model') ret = rknn.load_onnx(model=ONNX_MODEL) ifret !=0: print('Load model failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) ifret !=0: print('Build model failed!') exit(ret) print('done') # Export rknn model print('--> Export rknn model') ret = rknn.export_rknn(RKNN_MODEL) ifret !=0: print('Export rknn model failed!') exit(ret) print('done') # Release rknn.release()

并执行如下命令进行模型转换：

pythonrknn_convert.py

生成模型如下图所示，EASY EAI Orin-nano环境运行：

5. 模型部署示例

本小节展示yolov11-seg模型的在EASY EAI Orin-nano的部署过程，本章章节使用的yolov11n_seg_rk3576.rknn是使用crack数据集训练得到。

5.1 源码下载以及例程编译

下载yolov11-seg C Demo示例文件。

百度网盘链接:

https://pan.baidu.com/s/1GCBkHHWtgXMbDTvEPJHmAw?pwd=1234

（提取码: 1234）

下载程序包移至ubuntu环境后，执行以下指令解压：

tar-xvf yolov11_seg_model_convert.tar.bz2

下载解压后如下图所示:

通过adb接口连接EASY-EAI-Orin-nano

接下来需要通过adb把源码传输到板卡上，先切换目录然后执行以下指令：

cd~/rknn-toolkit2adb push yolov11_seg_C_demo /userdata

登录到板子切换到例程目录执行编译操作

adb shellcd/userdata/yolov11_seg_C_demochmod777 build.sh./build.sh

5.2 开发板执行yolov11 seg分割算法

编译成功后切换到可执行程序目录，如下所示：

cd/userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/

运行例程命令如下所示：

chmod777 yolov11_seg_demo./yolov11_seg_demo yolov11n_seg_rk3576.rknn crack.jpg

执行结果如下图所示,算法执行时间为60.1768ms：

退出板卡环境，取回测试图片:

exitadb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/result.jpg .adb pull /userdata/yolov11_seg_C_demo/yolov11_seg_demo_release/mask_bgr.jpg .

测试结果如下图所示:

至此，yolov11-seg实例分割例程已成功在板卡运行。