1. Yolo11简介

YOLO11 系列是 YOLO 家族中最先进的 (SOTA)、最轻量级、最高效的模型，其表现优于其前辈。它由 Ultralytics 创建，该组织发布了 YOLOv8，这是迄今为止最稳定、使用最广泛的 YOLO 变体。YOLO11 将延续 YOLO 系列的传奇。

本教程针对目标检测算法yolo11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. Yolo11模型训练

Yolov11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/1hu_n425tAxtT26GSGiYtcg?pwd=1234, 提取码: 1234。

2.1 数据集准备

在开始yolo11训练前，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：

2.2 Voc转Yolo

数据准备好后，使用data/voc_2_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：

2.3 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，yolo11.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yolo11训练参数，可自行调整模型训练的参数；

Yolo11.yaml：为yolo11模型结构，在模型训练时，你需要修改类别数。

更多关于yolo11信息可参考：YOLOv11通俗易懂！| YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列！

2.4 模型训练

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

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 = "./demo/voc2007/cfg/default.yaml"
    data = './demo/voc2007/cfg/data.yaml'
    weight = "./demo/voc2007/cfg/yolo11.yaml"  # pt 或 yolovx.yaml
    model = YOLO(weight)

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

执行train.py训练脚本，开始模型训练，如下示意图：

python train.py

注意，训练过程仅是为了演示流程，接下来模型预测和模型转换的都是yolov11默认的80类的模型。

2.5 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.py脚本，配置好模型地址和待检测图片，如下代码段所示：

if __name__ == '__main__':
    random.seed(0)
    device_ = "cpu"
    imgsz = (640, 640)
    model_path = "./demo/weights/yolo11s.pt"
    img_path = "./demo/images/bus.jpg"
    is_dir = os.path.isdir(img_path)

    device = select_device(device_)
    model = YOLO(model_path)

    # 图片预处理
    if is_dir:
        filenames = os.listdir(img_path)
        for idx, file in enumerate(filenames):
            img_file = os.path.join(img_path, file)
            im = cv2.imread(img_file)  # uint8 numpy array
            pre_img, ratio, padding = preprocess(im, device, imgsz)

            # 模型预测
            # pred = model.predict(pre_img, augment=False)[0]
            # im = draw_result(im, pred, ratio, padding)
            pred = model.predict(im, augment=False)[0]
            im = draw_result(im, pred)

            cv2.imshow("dst", im)
            cv2.waitKey()
    else:
        im = cv2.imread(img_path)  # uint8 numpy array
        pre_img, ratio, padding = preprocess(im, device, imgsz)

        # 模型预测
        # pred = model.predict(pre_img, augment=False)[0]
        # im = draw_result(im, pred, ratio, padding)
        pred = model.predict(im, augment=False)[0]
        im = draw_result(im, pred)

        cv2.imshow("dst", im)
        cv2.waitKey()

执行脚本:

python predict.py

运行脚本结果：

2.6 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：

from ultralytics import YOLO

if __name__ == '__main__':
    format = 'rknn' # 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn'
    weight = "./demo/weights/yolo11s.pt"  # pt 或 yolovx.yaml
    model = YOLO(weight)
    results = model.export(format = format)

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-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。

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

网盘下载链接:https://pan.baidu.com/s/1wUy-UBy9n81p7jlee_dBVA?pwd=1234提取码：1234。

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:

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。

4. 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：

4.1 模型转换Demo下载

下载百度网盘链接：https://pan.baidu.com/s/1ec_JdLu8Z4VcwiXzOgtnYg?pwd=1234 提取码：1234。把 yolov11_model_convert.tar.bz2和quant_dataset.zip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-toolkit2:2.3.2-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_model_convert和quant_dataset组成。yolov11_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:

Yolov11_model_convert文件夹存放以下内容，如下图所示：

4.3.2 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/yolov11_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:

4.3.3 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：

import sys
from rknn.api import RKNN

ONNX_MODEL = 'yolov11s.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov11s_rv1126b.rknn'
QUANTIZE_ON = True


if __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='rv1126b')
    print('done')

    # Load model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')

    # Export rknn model
    print('--> Export rknn model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')

    # Release
    rknn.release()

把onnx模型yolov11s.onnx放到yolov11_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：

5. 模型部署示例

5.1 模型部署示例介绍

本小节展示yolo11模型的在EASY EAI Nano-TB的部署过程，本章章节使用的yolo11s.rknn模型的是由Ultralytics 官方提供的yolo11s.pt转换而来。

5.2 准备工作

5.2.1 硬件准备

需准备EASY EAI Nano-TB开发板，Type-C数据线、网线。可以基于MobaXterm的ssh远程桌面登录调试。首先使用网线把EASY EAI Nano-TB的千兆以太网接口与连着路由LAN口的交换机或者路由器的LAN口连接，如下图所示。

以及串口连接。

5.2.2 开发环境准备

如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。

在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。

cd ~/develop_environment 
./run.sh 2204 

5.3 源码下载以及例程编译

下载yolo11 C Demo示例文件。

百度网盘链接: https://pan.baidu.com/s/1L813lXcEe7sFKDoUFf1AgA?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_detect_C_demo.tar.bz2

下载解压后如下图所示:

在EASY-EAI 编译环境下，进入到对应的例程目录执行编译操作，具体命令如下所示：

cd /opt/nfsroot/rknn-src/RV1126B/yolov11_detect_C_demo 
./build.sh 

同时，把可执行程序目录yolov11_detect_demo_release/复制到开发板/userdata目录上：

cp yolov11_detect_demo_release/ /mnt/userdata/ -rf

5.4 开发板执行yolov11目标检测算法

通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：

cd /userdata/yolov11_detect_demo_release/

运行例程命令如下所示：

chmod 777 yolov11detect_demo 
sudo ./yolov11_detect_demo yolov11s_rv1126b.rknn bus.jpg 

执行结果如下图所示,算法执行时间为54ms：

在EASY-EAI编译环境可以取回测试图片:

cp /mnt/userdata/yolov11_detect_demo_release/results.jpg .

测试结果如下图所示:

至此，yolov11目标检测例程已成功在板卡运行。

6. 资料下载