基于RV1126开发板的resnet50训练部署教程

拜读维拉科技关于机器人相关信息的综合整理，涵盖企业排名、产品类型及资本市场动态：一、中国十大机器人公司（综合类）‌优必选UBTECH）‌聚焦人工智能与人形机器人研发，产品覆盖教育、娱乐及服务领域，技术处于行业前沿‌。基于RV1126开发板的resnet50训练部署教程机器人‌中科院旗下企业，工业机器人全品类覆盖，是国产智能工厂解决方案的核心供应商‌。埃斯顿自动化‌国产工业机器人龙头，实现控制器、伺服系统、本体一体化自研，加速替代外资品牌‌。遨博机器人（AUBO）协作机器人领域领先者，主打轻量化设计，适用于3C装配、教育等柔性场景‌。埃夫特智能‌国产工业机器人上市第一股，与意大利COMAU深度合作，产品稳定性突出‌。二、细分领域机器人产品‌智能陪伴机器人‌Gowild公子小白‌：情感社交机器人，主打家庭陪伴功能‌。CANBOT爱乐优‌：专注0-12岁儿童心智发育型亲子机器人‌。仿真人机器人目前市场以服务型机器人为主，如家庭保姆机器人（售价10万-16万区间）‌，但高仿真人形机器人仍处研发阶段。水下机器人‌工业级产品多用于深海探测、管道巡检，消费级产品尚未普及。基于RV1126开发板的resnet50训练部署教程资本市场动态‌机器人概念股龙头‌双林股份‌：特斯拉Optimus关节模组核心供应商，订单排至2026年‌。中大力德‌：国产减速器龙头，谐波减速器市占率30%‌。金力永磁‌：稀土永磁材料供应商，受益于机器人电机需求增长‌。行业趋势‌2025年人形机器人赛道融资活跃，但面临商业化落地争议，头部企业加速并购整合‌。四、其他相关机器人视频资源‌：可通过专业科技平台或企业官网（如优必选、新松）获取技术演示与应用案例。价格区间‌：服务型机器人（如保姆机器人）普遍在10万-16万元，男性机器人13万售价属高端定制产品‌。

ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

本基于图像分类ResNet50的训练和部署到EASY-E-Nano(RV1126)进行说明。

（图片来源网络，侵删）

本教程以车辆分类算法为例

解压完成后得到以下两个文件夹：

（图片来源网络，侵删）

打开可以看到一共10类汽车：

得到下图所示目录：

把数据集解压到当前目录：

进入anconda的pyTorch环境，切换到训练源码目录执行以下指令开始训练：

train.py

执行结果如下图所示:

训练结束后st loss结果如下所示:

训练结束后test curacy结果如下所示:

生成的最优模型如下所示：

在训练源码目录执行以下指令，测试模型(生成模型名称不一致则修改predict.py脚本):

python predict.py

结果类别索引号为1——BUS, 测试结果正确。

执行以下指令把pytorch的pth模型转换onxx模型：

python pth_to_onnx.py

生成ONNX模型如下所示:

onnx模型需要转换为rknn模型才能在EASY-EAI-Nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然、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。

模型转换环境搭建流程如下所示：

为了保证模型转换工具顺利运行，请下载网盘里”AI算法开发/RKNN-Toolkit模型转换工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。

把下载完成的docker镜像移到我司的虚拟机ubuntu18.04的rknn-toolkit目录,如下图所示：

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 lo --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-docker.tar.gz

执行以下指令进入镜像bash环境:

docker run -t -i --privileged -v /dev/bus/:/dev/bus/usb rknn-toolkit:1.7.3 /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。

EASY EAI Nano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：

把resnet50_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit/model_convert_test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-toolkit/model_convert_test:/test rknn-toolkit:1.7.3 /bin/bash

执行成功如下图所示:

模型转换测试Demo由resnet50_model_convert和quant_dataset组成。resnet50_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:

resnet50_model_convert文件夹存放以下内容，如下图所示:

在docker环境切换到模型转换工作目录:

cd /test/resnet50_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:

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 os import urllib import traceback import me import sys import numpy as np import cv2 from rknn.a import RKNN ONNX_MODEL = 10class_ResNet50.onnx RKNN_MODEL = ./10class_ResNet50.rknn DATASET = ./pic_path.txt QUANTIZE_ON = True if __name__ == __main__: # Create RKNN object rknn = RKNN(verbose=True) if not os.path.exists(ONNX_MODEL): print(model not exist) exit(-1) # pre-process config print(--> Config model) rknn.config(reorder_channel=0 1 2, mean_values=[[123.67, 116.28,103.53]], std_values=[[58.395, 57.12, 57.375]], optimization_level=3, target_platform = rv1126, output_optimize=1, quantize_input_node=QUANTIZE_ON) print(done) # Load ONNX model print(--> Long model) ret = rknn.load_onnx(model=ONNX_MODEL) if ret != 0: print(Load fai!) exit(ret) print(done) # Build model print(--> Building model) ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET) if ret != 0: print(Build resnet failed!) exit(ret) print(done) # Export RKNN model print(--> Export RKNN model) ret = rknn.export_rknn(RKNN_MODEL) if ret != 0: print(Export resnet failed!) exit(ret) print(done)

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目录，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-toolkit环境和EASY EAI Nano环境运行：

用predict.py脚本在PC端的环境下可以运行rknn的模型，如下图所示:

predict.py脚本程序清单如下所示:

import os import urllib import traceback import time import sys import numpy as np import cv2 import random from rknn.api import RKNN RKNN_MODEL = 10class_ResNet50.rknn IMG_PATH = ./test-1.jpg BOX_THRESH = 0.25 NMS_THRESH = 0.6 CLASSES = ("SUV", "bus", "family sedan", "fire engine", "heavy truck", "jeep", "minibus", "racing car", "taxi", "truck") def show_outputs(output): print("softmax output:", output) max_confidence = np.max(output) index = np.where(output == max_confidence) print("max confidence:", max_confidence) print("max confidence index:", index[0][0]) print("CLASSES predict: ", CLASSES[index[0][0]]) def softmax(x): return np.exp(x)/sum(np.exp(x)) if __name__ == __main__: # Create RKNN object rknn = RKNN(verbose=True) print(--> Loading model) ret = rknn.load_rknn(RKNN_MODEL) if ret != 0: print(load rknn model failed) exit(ret) print(done) # init runtime environment print(--> Init runtime environment) ret = rknn.init_runtime() # ret = rknn.init_runtime(rv1126, device_id=1126) if ret != 0: print(Init runtime environment failed) exit(ret) print(done) # Set inputs img = cv2.imread(IMG_PATH) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) resize_img = cv2.resize(img,(224,224)) # Inference print(--> Running model) outputs = rknn.inference(inputs=[resize_img]) print("outputs[0]:", outputs[0]) print("outputs[0].shape:", outputs[0].shape) show_outputs(softmax(np.array(outputs[0][0]))) print(done) rknn.release()

执行结果如下图所示:

由于rknn模型用NPU API在EASY EAI Nano加载的时候启动速度会很慢，在评估完模型精度没问题的情况下，建议进行模型预编译。预编译的时候需要通过EASY EAI Nano主板的环境，所以请务必接上adb口与ubuntu保证稳定连接。

板子端接线如下图所示，拨码开关需要是adb：

虚拟机要保证接上adb设备：

由于在虚拟机里ubuntu环境与docker环境对adb设备资源是竞争关系，所以需要关掉ubuntu环境下的adb服务，且在docker里面通过apt-get安装adb软件包。以下指令在ubuntu环境与docker环境里各自执行：

在docker环境里执行adb devices,现象如下图所示则设备连接成功：

运行precompile_rknn.py脚本把模型执行预编译：

python precompile_rknn.py

执行效果如下图所示，生成预编译模型10class_ResNet50_pre.rknn：

至此预编译部署完成，模型转换步骤已全部完成。生成如下预编译后的int8量化模型：

至此RKNN模型生成完毕，注意预编译模型只能在板卡端执行。

本小节展示ResNet50模型的在EASY EAI Nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。