瑞芯微(EASY EAI)RV1126B yolov26训练部署教程

运动时尚土里土气 2026-09-21 06:21 3756 0

1.Yolo26简介

YOLO26 系列是 Ultralytics YOLO 家族中最先进（SOTA）、最具部署友好性的模型，专为边缘优先的视觉 AI 设计，在性能和效率上超越了 YOLO11 等前代模型。它由 Ultralytics 发布，通过引入多项核心创新（如端到端无 NMS 推理、DFL 移除与 MuSGD 优化器），在 CPU 推理速度上实现了高达 43% 的提升，同时显著增强了对小目标的检测能力。

本教程针对目标检测算法yolo26的训练和部署到EASY-EAI-Nano-TB(RV1126B)进行说明，而数据标注方法可以参考我们往期的文章。

2. 资料下载

进行后续操作前必须先下载完整资料包！！！

资料名称

链接

算法训练部署教程完整源码包

https://pan.baidu.com/s/1YM33CVe4pHjh4isplBgi-A?pwd=1234

提取码: 1234

3.Yolo26模型训练

Yolo26训练代码在导出部分对比原版会有一些修改，建议使用我们的训练代码。

打开目录《1.AI模型训练》解压训练代码ultralytics-26.zip。

3.1数据集准备

在开始yolo26训练前，我看先准备好待训练数据，如VOC2007，下载链接：

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html

然后将VOC2007数据分成训练集和测试集两个目录，如下图示意：

3.2Voc转Yolo

数据准备好后，使用data/voc_to_yolo.py脚本将Voc数据格式转成Yolo数据格式。转换完成后的数据存储在原数据同级目录的yolo_data下，如下图示意：

3.3训练参数配置

数据转换完成后，在配置模型的训练参数：data.yaml，default.yaml，yolo26.yaml.

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yolo26训练参数，可自行调整模型训练的参数；

Yolo26.yaml：为yolo26模型结构，在模型训练时，你需要修改类别数。

更多关于信息可参考：https://blog.csdn.net/qq_45972324/article/details/143892222

3.4模型训练

完成上述步骤后，就可以开始训练模型了，打开train-det.py脚本，输入data.yaml，default.yaml，yolo26.yaml路径，如下代码片段：

from ultralytics import YOLO import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" # 程序报OMP: Hint This means...错误时使用 if __name__ == '__main__': cfg = r"./demo/voc2007/cfg/default.yaml" data = r'./demo/voc2007/cfg/data.yaml' weight = r"./demo/voc2007/cfg/yolo26.yaml" # pt 或 yolovx.yaml model = YOLO(weight) results = model.train( data=data, cfg=cfg )

在anaconda环境下(已装好了pytorch相关库等)执行train-det.py训练脚本，开始模型训练：

python train-det.py

3.5 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-det.py脚本，配置好模型地址和待检测图片，执行脚本：

python predict-det.py

代码如下所示：

from ultralytics import YOLO img_path = r"./images/bus.jpg" model = YOLO("weights/yolo26s.pt") conf_thres = 0.4 iou_thres = 0.4 results = model(img_path, augment=False, conf=conf_thres, iou=iou_thres)[0] # Predict on an image results.show() # Display results

测试结果：

3.6PT模型转ONNX

在PC端执行export-onnx.py脚本将pt模型转成onnx，如下图示：

4.rknn-toolkit模型转换

4.1 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-Nano-TB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。

4.1.1 概述

模型转换环境搭建流程如下所示：

4.1.2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-v2.3.2/docker/docker_image/rknn-toolkit2-v2.3.2-cp38-docker.tar.gz”。

网盘下载链接:https://pan.baidu.com/s/1cyvdodUCtSvWZsyIfqzQ-w?pwd=1234提取码: 1234

4.1.3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：

4.1.4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:

docker load --input rknn-toolkit2-v2.3.2-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 -v /home/developer/rknn-toolkit2/model_convert_test:/test rknn-toolkit2:2.3.2-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。

5.模型转换为RKNN

EASY EAI Nano-TB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：

5.1 模型转换Demo下载

打开目录《2.AI模型转换》把yolov26_det_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:

5.2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-toolkit2:2.3.2-cp38 /bin/bash

执行成功如下图所示:

5.3模型转换操作说明

5.3.1模型转换Demo目录结构

模型转换测试Demo由yolov26_det_model_convert和quant_dataset组成。yolov26_det_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:

yolov26_det_model_convert文件夹存放以下内容，如下图所示：

5.3.2生成量化图片列表

在docker环境切换到模型转换工作目录:

cd /test/yolov26_det_model_convert

如下图所示:

执行gen_list.py生成量化图片列表:

python gen_list.py

命令行现象如下图所示:

生成“量化图片列表”如下文件夹所示:

5.3.3onnx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：

from rknn.api import RKNN if __name__ == '__main__': do_quant = True platform = "rv1126b" data_path = "./pic_path.txt" model_path = r"./yolo26s.onnx" output_path = r"./yolo26s-int8.rknn" # 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=platform) print('done') # Load model print('--> Loading model') outputs = ['/model.23/Mul_2_output_0', '/model.23/Sigmoid_output_0'] # 输出层（截断层名称） ret = rknn.load_onnx(model=model_path, outputs=outputs) # ret = rknn.load_onnx(model=model_path) if ret != 0: print('Load model failed!') exit(ret) print('done') # Build model print('--> Building model') ret = rknn.build(do_quantization=do_quant, dataset=data_path) if ret != 0: print('Build model failed!') exit(ret) print('done') # Export rknn model print('--> Export rknn model') ret = rknn.export_rknn(output_path) if ret != 0: print('Export rknn model failed!') exit(ret) print('done') # Release rknn.release()

把onnx模型yolo26s.onnx放到yolov26_det_model_convert目录(后续用户使用自己的模型的时候，替换掉对应的onnx即可)，并执行rknn_convert.py脚本进行模型转换：

python rknn_convert.py

生成模型如下图所示，此模型可以在rknn环境和EASY EAI Nano-TB环境运行：