yolov5_bm1684

bitmain bm1684 inference code of YoloV5...

转换模型：

1、找个服务器load docker

docker load -i bmnnsdk2-bm1684_v2.0.1.docker

2、运行docker

tar zxvf bmnnsdk2-bm1684_v2.0.1.tar.gz（实际上现在已经是v2.1.0了）
cd bmnnsdk2-bm1684_v2.0.1
./docker_run_bmnnsdk.sh

3、docker里配置环境

cd /workspace/scripts/
./install_lib.sh nntc

cd /workspace/scripts/
source envsetup_cmodel.sh

4、转换

下面几行是转darknet框架的yolov3
bmnet/bmnetd/bmnetd --model=YJH/D200/D200.cfg --weight=YJH/D200/D200.weights --net_name=D200 --outdir=./YJH/D200/Bmodel/ --shapes=[1,3,608,608] --target=BM1684

生成BModel
bmnet/bmnetd/bmnetd --mode=GenUmodel --model=YJH/D200/D200.cfg --weight=YJH/D200/D200.weights --net_name=D200 --outdir=./YJH/D200/Bmodel/

bmnet/bmnetd/bmnetd --model=YJH/edge/yolo.cfg --weight=YJH/edge/yolo.weights --net_name=edge --outdir=./YJH/edge/Bmodel/ --target=BM1684

下面一行是转pytorch下的yolov5
python3 -m bmnetp --model=zhanghao/yw_5s.torchscript.pt --shape=[1,3,640,640] --net_name="yw_5s" --outdir=zhanghao/yw_5s --target=BM1684

5、测试 bmrt_test --bmodel YJH/cabinet/Bmodel/compilation.bmodel --loopnum 10

代码编译：

1、编译

进入docker环境后
sudo ./docker_run_bmnnsdk.sh
当前实际目录会映射到容器中的/workspace下面，在容器中进入该代码目录
cd yolov5_bm1684
make
会在当前目录下生成：
v5_test

2、测试

将 v5_test 拷贝到 BM1684设备上
执行
./v5_test ./test_jpgs/ ./yw_5s.bmodel