通过NCNN在树莓派上部署Fastest YOLO

前言：

最近一直在用树莓派做深度学习方面的模型部署，从最开始的直接移植官方的yolov5模型，到自己精简模型结构压缩参数再放到树莓派上跑，最后的结果总是能跑但FPS过于低，跑个图片还能接受，但是跑实时摄像头就尤其慢。

在重重受挫后，开始考虑用各种架构。最开始是用Intel的Openvino去做，但是一是部署和安装环境的过程极其艰难，其次是缺少英特尔神经棒的硬件支持，半道崩阻了。不过好在在知乎上看到了dog-qiuqiu的Fastest YOLO，大佬说该模型在树莓派上能跑到100多帧。大喜，明确结果且可行性较高，遂在磕磕碰碰中跑出了结果并且总结了许多经验，写下这篇博客以备自己后续参考。

一、系统烧录

环境：windows11、树莓派4b(8g)

1.树莓派64位镜像源：百度网盘链接：点我提取码：k9r9

注意：这里安装的是Raspbian-64位系统，我尝试过ubuntu的系统，最后效果不是很好(而且确实在树莓派上跑ubuntu有点点卡顿)，最主要的是ubuntu的话就不好用VNC Viewer来控制树莓派，那就有点得不偿失了。(VNC Viewer是真的很好用！！)

2.烧录工具：win32DiskImager

烧录的过程就很容易了在这里不演示。

3.VNC Viewer远程控制树莓派

1）首先在电脑端安装VNC Viewer：官网直接下载

windows用户直接点击中间的Download即可。下载后直接安装，安装在任意一个盘都行。

2）配制树莓派打开VNC功能：

然后关闭界面即可，现在已经开启了树莓派的vnc功能了。然后因为我用的是wifi，树莓派ip地址不怎么变动，即使变动了也很方便查看：

或者直接将鼠标移动到树莓派桌面的右上角wifi图标处，停留几秒就会显示出IP地址。

3）远程控制

打开电脑端的VNC Viewer，第一次打开直接点击下方不注册用户直接使用软件的按钮。然后：

然后就能在自己的电脑上远程控制树莓派了，这种方法较为简单，而且上方还有文件传输功能，甚至能支持鼠标在树莓派和电脑之间右键复制粘贴，可谓非常好用！

二、安装OpenCV

截止到文章写作日期(2023.7.2)，树莓派64位系统安装OpenCV的流程已经算是非常容易。(之前走过太多太多的弯路，试过无数种方法，都没成功，这次总算摸索出了自己的一套方法)

步骤一：

#先安装opencv
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple#再更新numpy
pip install numpy --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple#以防万一，再安装一下libopencv-dev
sudo apt install libopencv-dev

步骤二：

#创建opencv.pc文件
cd /usr/local/lib
sudo mkdir pkgconfig
cd pkgconfig
sudo touch opencv.pc

然后在opencv.pc中添加以下信息，注意这些信息需要与我们安装opencv时的库路径对应，我的是这样：

#先查看一下我们下载的opencv的版本号，直接在终端中输入：python，然后回车
import cv2         #回车
cv2.__version__    #回车后就能看到对应的版本号，我下载的版本号是4.8.0#再用nano打开opencv.pc
sudo nano opencv.pc#按下ctrl+O，回车确定后，写入以下信息：注意要改版本号
prefix=/usr/local
exec_prefix=${prefix}
includedir=${prefix}/include
libdir=${exec_prefix}/libName: opencv
Description: The opencv library
Version:4.8.0
Cflags: -I${includedir}/opencv4
Libs: -L${libdir} -lopencv_shape -lopencv_stitching -lopencv_objdetect -lopencv_superres -lopencv_videostab -lopencv_calib3d -lopencv_features2d -lopencv_highgui -lopencv_videoio -lopencv_imgcodecs -lopencv_video -lopencv_photo -lopencv_ml -lopencv_imgproc -lopencv_flann  -lopencv_core
~#再按ctrl+s保存，ctrl+x退出编辑
#然后将文件导入到环境变量：
export  PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

步骤三：

在opencv版本更新后，可以去usr/include文件夹中，找到opencv4，点进去才是opencv2，所以头文件的路径中多了一个opencv4的文件夹，我们要将opencv2的文件夹也链接到include文件夹下：

sudo ln -s /usr/include/opencv4/opencv2 /usr/include/

至此，opencv才算成功安装好。

三、编译NCNN

1.安装依赖

sudo apt-get install -y gfortran
sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev libatlas-base-dev

2.下载NCNN

git clone https://github.com/Tencent/ncnn

3.编译

#先下载cmake
sudo apt install cmake#再编译ncnn
cd ncnn
mkdir build
cd build
cmake ../
make -j4
make install

编译结束后在build目录下会出现三个文件夹：examples、install、tools，至此ncnn编译成功。

四、模型转化与测试

1.模型及权重的获取

首先从官网获得Fastest YOLO的源代码：网址链接

在自己的电脑上自己创建模型训练任务，获取权重文件，这里不上传我自己跑的模型权重，不过为了演示效果，就引用其他作者分享的权重：百度网盘链接提取码：ogm4

下载后就能获得yolo-fastest-xl.cfg和yolo-fastest-xlweights这两个文件。

2.权重文件的转化

1）在之前下载好的ncnn文件夹中新建一个Model文件夹，将yolo-fastest-xl.cfg和yolo-fastest-xl.weights文件拷贝到该Model文件夹中。直接用cp命令也可以。

2）cd到ncnn/build/tools/darknet文件下，输入：

#将模型权重转化为param和bin文件
./darknet2ncnn ../../../Model/yolo-fastest-xl.cfg ../../../Model/yolo-fastest-xl.weights ../../../Model/yolo-fastest-xl.param ../../../Model/yolo-fastest-xl.bin

3）再将yolo-fastest-xl.param和yolo-fastest-xl.bin文件拷贝到ncnn/build/tools中，并且cd到该目录下，输入：

#即用ncnnoptimize优化，后面的数字代表：0指的的是fp32，1指的是fp16
./ncnnoptimize yolo-fastest-xl.param yolo-fastest-xl.bin new.param new.bin 1

4）在树莓派中同样下载一份Fastest YOLO的源代码，将new.param和new.bin复制到Yolo-Fastest-master/sample/ncnn/model目录下

5）将ncnn/build/install文件夹下的三个文件夹：bin、include、lib都复制到Yolo-Fastest-master/sample/ncnn下，如下图：

此时，除了demo文件需要我们之后生成外，应该总共有8个文件。

6）修改demo.cpp文件

首先在头文件中加上：

#include "opencv2/imgproc/imgproc_c.h"

再修改testCam()为：

int testCam() {YoloDet api;//Init modelapi.init("model/new.param", "model/new.bin");

7）运行demo文件

在Yolo-Fastest-master/sample/ncnn件夹下打开终端，输入：

sh build.sh

然后等待一会儿就会出现上面那个绿色的demo文件，在终端中输入：

./demo

就能把程序运行起来，至此一个完整的流程就做完了。

8）最后还有一个线程的优化：

修改F:\cha\Yolo-Fastest-master\sample\ncnn\src文件夹下的YoloDet.cpp和include文件夹里的YoloDet.h这两个文件（这里参考生命不息，学习不止大佬的方法）：

这样就成功用NCNN在树莓派上部署了Fastest YOLO模型了。