- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

从零开始搭建Rock5a的MMDeploy模型转换环境

张辉发表于 2023/08/05 10:32:53 2023/08/05

【摘要】从零开始搭建Rock5a的MMDeploy模型转换环境

创建Ubuntu 18.04.6 LTS桌面系统虚拟机

打开 http://www.releases.ubuntu.com/18.04/

下载Desktop Image：http://www.releases.ubuntu.com/18.04/ubuntu-18.04.6-desktop-amd64.iso

打开虚拟机软件，新建虚拟机：

下一步：

完成：

耐心等待安装完毕：

输入密码登陆：

Next直到配置完成Done。

sudo apt install net-tools

ifconfig查看网卡地址：

安装ssh：

sudo apt install openssh-server

配置MobaXterm：

输入密码，登陆：

将虚拟机设置改为 16G内存，重启虚拟机：

sudo apt-get update

sudo apt install curl

安装cmake 3.19

curl -O https://cmake.org/files/v3.19/cmake-3.19.8-Linux-x86_64.sh

sudo mkdir /usr/local/cmake-3.19.8

sudo bash cmake-3.19.8-Linux-*.sh --prefix=/usr/local/cmake-3.19.8 --exclude-subdir

在~/.bashrc增加：export PATH=/usr/local/cmake-3.19.8/bin:$PATH

并执行

source ~/.bashrc

cmake --version

查看Python版本：

安装Anaconda环境：

打开Anaconda官网：Free Download | Anaconda

获取Linux版本的下载地址，并在终端wget：

wget https://repo.anaconda.com/archive/Anaconda3-2023.07-1-Linux-x86_64.sh

执行安装：

bash ./Anaconda3-2023.07-1-Linux-x86_64.sh

回车：

输入yes继续：

回车继续：

输入yes继续：

检查conda base环境的Python版本：3.11.3

source ~/.bashrc

python -V

创建Python3.8的conda环境

conda create -n rock38 python=3.8

按Y继续：

进入Python 3.8环境:

conda activate rock38

安装 PyTorch 1.8 CPU版

conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cpuonly -c pytorch

按Y继续：

更新pip：

pip install --upgrade pip

安装python apt包：

sudo apt-get install libopencv-dev python3-opencv

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

安装mmcv-full

pip install -U openmim

安装mmcv

mim install "mmcv==2.0.1"

安装git

sudo apt install git

下载rock rknn-toolkit2代码仓：

git clone https://github.com/rockchip-linux/rknn-toolkit2

cd rknn-toolkit2/packages

pip install ./rknn_toolkit2-1.5.0+1fa95b5c-cp38-cp38-linux_x86_64.whl --no-deps

安装onnx和onnxruntime

pip install onnx==1.8.1 onnxruntime==1.8.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

下载MMDeploy代码仓

cd ~

git clone https://github.com/open-mmlab/mmdeploy

cd mmdeploy

git submodule update --init --recursive

cd ~

wget https://github.com/microsoft/onnxruntime/releases/download/v1.8.1/onnxruntime-linux-x64-1.8.1.tgz

tar -zxvf onnxruntime-linux-x64-1.8.1.tgz

cd onnxruntime-linux-x64-1.8.1

export ONNXRUNTIME_DIR=~/onnxruntime-linux-x64-1.8.1

export LD_LIBRARY_PATH=$ONNXRUNTIME_DIR/lib:$LD_LIBRARY_PATH

export MMDEPLOY_DIR=~/mmdeploy

cd ${MMDEPLOY_DIR}

编译ONNXRuntime自定义算子

mkdir -p build && cd build

cmake -DCMAKE_CXX_COMPILER=g++-7 -DMMDEPLOY_TARGET_BACKENDS=ort -DONNXRUNTIME_DIR=${ONNXRUNTIME_DIR} ..

make -j$(nproc) && make install

cd ${MMDEPLOY_DIR}

编辑requirements/runtime.txt 去掉onnx

mim install -e .

pip install mmpretrain

cd ~

git clone https://github.com/open-mmlab/mmpretrain

cd mmpretrain

mim install -e .

cd ~

wget https://download.openmmlab.com/mmclassification/v0/resnet/resnet50_batch256_imagenet_20200708-cfb998bf.pth --no-check-certificate

pip install numpy==1.20.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install scipy -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install onnxoptimizer -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install psutil -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo apt install gawk

sudo apt install bison

ResNet50模型转换：

cd ${MMDEPLOY_DIR}

mkdir -p mmdeploy_models/mmpretrain/resnet50

编辑 rknn_resnet50.sh文件

python tools/deploy.py \ configs/mmpretrain/classification_rknn-int8_static-224x224.py \ ~/mmpretrain/configs/resnet/resnet50_8xb32_in1k.py \ ~/resnet50_batch256_imagenet_20200708-cfb998bf.pth \ ~/mmpretrain/demo/demo.JPEG \ --work-dir mmdeploy_models/mmpretrain/resnet50 \ --device cpu \ --dump-info