目标检测 YOLOv5 – 基于 瑞芯微 Rockchip RKNN C API 实现
flyfish
基于rknn的YOLOv5推理类
环境
开发语言：C++
YOLOv5版本：YOLOv5_50
设备测试环境：RV1126
交叉编译环境：Ubuntu18.04
完整源码下载地址
https://github.com/shaoshengsong/rockchip_rknn_yolov5
Rockchip完整的图像数据处理流程
一共三块
YOLOv550Detector.h
YOLOv550Detector.cpp
test_video.cc 主函数
生成的test_video程序可以直接拷贝到开发板中进行模型测试
test_video的使用方法
test_video arg1 arg2 arg3
arg1 是模型所在的路径
arg2 是模型推理的个数
arg3 是模型输入大小 640
默认推理1.mp4 1280×720视频，可根据自己需求更改
例如
./test_video /userdata/model/rv1109_rv1126/coco.rknn 80 640
默认推理视频文件时1.mp4 1280×720视频
推理结果是out.avi文件，可根据自己需求更改。
YOLOv550Detector类的使用方法
模型配置
ModelConfig cfg;
cfg.nc = number_class;
cfg.model_file_path = model_file_path;
声明一个检测器对象，加载配置
YOLOv550Detector detector;
detector.load_model(&cfg);
推理
detect_result_group_t detect_result_group = detector.inference(frame);
绘制推理结果
for (int j = 0; j < detect_result_group.count; j++)
{
detect_result_t *det_result = &(detect_result_group.results[j]);
int x1 = det_result->box.left;
int y1 = det_result->box.top;
int x2 = det_result->box.right;
int y2 = det_result->box.bottom;
cv::rectangle(frame, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);
cv::putText(frame, cv::format("[%d]#[%f]", det_result->class_id, det_result->prop), cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, .6, cv::Scalar(0, 255, 0));
}
完整的使用方法
std::string model_file_path = std::string(argv[1]); // 模型路径
int number_class = std::stoi(std::string(argv[2]));
int input_size = std::stoi(std::string(argv[3]));
ModelConfig cfg;
cfg.nc = number_class;
cfg.model_file_path = model_file_path.c_str();
YOLOv550Detector detector;
detector.load_model(&cfg);
cv::VideoCapture capture("./1.mp4");
if (!capture.isOpened())
{
printf("could not read this video file...\n");
return -1;
}
int num_frames = 0;
cv::VideoWriter video("out.avi", cv::VideoWriter::fourcc('M', 'J', 'P', 'G'), 10, cv::Size(1280, 720));
while (true)
{
cv::Mat frame;
if (!capture.read(frame)) // if not success, break loop
{
std::cout << "\n Cannot read the video file. please check your video.\n";
break;
}
detect_result_group_t detect_result_group = detector.inference(frame,input_size);
num_frames++;
std::cout <<num_frames<<std::endl; for (int j="0;" < detect_result_group.count; j++) { detect_result_t *det_result="&(detect_result_group.results[j]);" int x1="det_result-">box.left;
int y1 = det_result->box.top;
int x2 = det_result->box.right;
int y2 = det_result->box.bottom;
cv::rectangle(frame, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);
cv::putText(frame, cv::format("[%d]#[%f]", det_result->class_id, det_result->prop), cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, .6, cv::Scalar(0, 255, 0));
}
video.write(frame);
}
capture.release();
video.release();
</num_frames<<std::endl;>
本文使用API 实现的流程如图所示
Original: https://blog.csdn.net/flyfish1986/article/details/127075542
Author: 西西弗Sisyphus
Title: 目标检测 YOLOv5 – 基于 瑞芯微 Rockchip RKNN C API 实现
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/680482/
转载文章受原作者版权保护。转载请注明原作者出处！