本文当目前针对 V831 系列产品，请注意产品与模型的匹配性。
由于训练需要用到显卡，关于安装显卡驱动、cuda、udnn、opencv 请自行百度查阅安装，本文不做详细说明。本文章是在 ubuntu 环境下，使用英伟达 GTX1080 显卡所编写完成的，请以该环境为参考。
需要安装的软件包介绍：
pytorch ：基础训练框架。
onnx2ncnn ：模型转换工具。
torchsummary ： 格式化打印模型信息。
文章参考：
- 显卡驱动安装：https://neucrack.com/p/252
- opencv 多版本共存：https://neucrack.com/p/349
1、 安装pytorch 、torchsummary
打开 pytorch 官网，点击 Get Started 进入到下载页面！选择对应 pytorch 进行下载！
此处安装的是 gpu 版本的 pytorch 。
pip3 install torch torchvision torchaudio
pip3 install torchsummary
2、 编译 onnx2ncnn 工具
工具github地址：https://github.com/Tencent/ncnn.git
安装过程 ：
#!/bin/bash
sudo apt install build-essential git cmake libprotobuf-dev protobuf-compiler libvulkan-dev vulkan-utils libopencv-dev
git clone https://github.com/Tencent/ncnn.git
cd ncnn
git submodule update --init
mkdir build
cd build
cmake -DCMAKE_BUILD_TYPE=Release -DNCNN_VULKAN=ON -DNCNN_SYSTEM_GLSLANG=OFF -DNCNN_BUILD_EXAMPLES=ON ..
make编译完后你就得到了 ncnn 的模型转换工具。
在 ncnn/build/tools/onnx 目录下，能得到 onnx2ncnn 模型转换工具，将该可执行文件加入到环境变量中方便使用。
在 ~/.bashrc 中添加下面内容，将 onnx2ncnn 加入环境变量：
#!/bin/bash
export PATH=$PATH:`pwd`/tools/onnx
图像分类主要采用的模型是 resnet18 ，由 pytorch 架构训练完成，经由网络模型转换后部署到 v831 上。
流程是： pytorch 训练 -> onnx 模型 -> ncnn 模型 -> 在线工具量化 -> v831 模型
工程文件介绍：
├── 20220117_200723_awnn_restnet18_int8.zip #在线转换的文件
├── classes_label.py #分类标签
├── classifier_resnet_test.py #测试程序
├── classifier_resnet_train.py #训练程序
├── convert.py #模型转换程序
├── convs_data #上传文件夹
├── convs_data.zip #上传的压缩包
├── data #训练数据文件夹
│ ├── mouse #分类文件夹
│ └── sipeed_logo
├── out #训练模型输出文件夹，每隔一定训练周期输出一个模型参数
│ ├── classifier_19.pth
│ ├── classifier_39.pth
│ └── classifier_59.pth
├── restnet_img.jpeg
└── test #测试数据集文件夹（不分类别）
7 directories, 921 files
打开 resnet18 工程中的 classifier_resnet_train.py 文件。以下是训练时需要注意的一些参数。
修改 classes_label.py 文件中的 labels 值和 data 文件夹中的目录对应
dataset_path = "data" #训练集的路径（保持默认）
val_split_from_data = 0.1 # 10% #学习率（保持默认）
batch_size = 4 #训练批次，不需要改动（保持默认）
learn_rate = 0.001 #学习率，不需要改动（保持默认）
total_epoch = 100 #训练循环，总共需要训练100个循环（保持默认）
eval_every_epoch = 5 #每个循环训练次数（保持默认）
save_every_epoch = 20 #多少个循环保存一次（保持默认）
dataload_num_workers = 2 #（保持默认）
input_shape = (3, 224, 224) #输入尺寸（保持默认）
cards_id = [0] #使用的训练卡（保持默认）
param_save_path = './out/classifier_{}.pth' #参数保存路径（保持默认）data 文件是训练数据集，test 文件是测试数据。注意两个数据集中不要有重复的图片。
训练数据集：一个分类一个文件夹， 文件夹名字就是分类的名字。
数据集文件夹结构
── mouse
│ ├── 20026.jpg
...
├── sipeed_logo
│ ├── 19418.jpg
...
...python classifier_resnet_train.py 训练完成后，会在工程目录下生成一个 out 文件夹，在 out 文件夹下存放着训练过程中保存的训练参数。
例如：
.
├── classifier_99.pth #训练过程中保存的参数
├── classifier_final.pth #训练完成后保存的参数
└── classifier.onnx #生成的onnx深度学习网络文件准备好你的测试图片，注意和数据集中的图片尺寸一样。新建一个 test 目录，并放在该目录下。
运行 python classifier_resnet_test.py images_folder_path model_param_path 命令进行测试。 .
在该命令中会调用用户环境中的 ncnn 工具，请确保已经安装好并加入环境变量。
模型测试并生成 ncnn 模型文件：
python classifier_resnet_test.py ./test ./out/classifier_final.pth运行完测试后，会生成 ncnn 模型和 ncnn 模型参数。
nihao@nihao:~/work/work_space/v831_restnet18/out$ ls
classifier_2.pth classifier.bin opt.bin
classifier_1.pth classifier.onnx opt.param
classifier_3.pth classifier.param opt.table
生成的 ncnn 模型此时还无法被 v831 直接使用，需要经过在线 maixhub 量化为 int8 模型才可以被使用。
在线转换需要上传一个压缩包文件.
- 该功能只能支持上传一个无密码的 zip 压缩包
- 压缩包内需要包含一个 images 目录，一个 xxx.bin，一个 xxx.param
- 需要将矫正图片放入 images 目录内；矫正图片集可考虑直接采用训练中的验证数据集，并务必保证矫正时图像的预处理方式与训练和部署时一致。
注意：确保 images 目录内没有混入其他文件，否则会导致模型量化错误。
zip 压缩包目录结构
└─xxxx.zip
|─ images
| |- xxx.jpg
| |- ...
| ...
|
|- xxx.bin
└─ xxx.param制作好压缩包后打开网址: https://maixhub.com/modelConvert 查看使用说明。
登陆后,上传你的压缩包等待模型转换任务完成。
等待模型转换完成,下载转换好的模型文件。得到的 *.param 和 *.bin 文件就是部署在 v831 上的文件。
将模型文件上传到 v831 上。
打开示例代码,替换模型文件名,分类标签和模型加载参数,然后运行即可。
#!/usr/bin/python3
#在v831运行的1000分类事例代码
from maix import nn, display, camera, image
from classes_label import labels #分类标签,需要替换
import time
model = {
"param": "/root/restnet18_int8.param", #模型文件,需要替换成自己训练的模型
"bin": "/root/restnet18_int8.bin"
}
options = {
"model_type": "awnn",
"inputs": {
"input0": (224, 224, 3)
},
"outputs": {
"output0": (1, 1, len(labels)) #模型输出宽度,请输入你自己的类别数量,1000分类为(1,1,1000),10分类为(1,1,10)
},
"first_layer_conv_no_pad": False,
"mean": [127.5, 127.5, 127.5],
"norm": [0.00784313725490196, 0.00784313725490196, 0.00784313725490196],
}
print("-- load model:", model)
m = nn.load(model, opt=options)
print("-- load ok")
while True:
img = camera.capture()
AI_img = img.copy().resize(224, 224)
t = time.time()
out = m.forward(AI_img.tobytes(), quantize=True)
t = time.time() - t
print("-- forward time: {}s".format(t))
msg = "{}%: {}".format(int(out.max() * 10), labels[out.argmax()])
print(msg)
img.draw_string(0, 0, msg, color = (255, 0, 0))
display.show(img)运行效果：
分类训练说明到此结束.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent