FastDeploy/docs/cn/faq/rknpu2/export.md

English | 中文

导出模型指南

简介

Fastdeploy已经简单的集成了onnx->rknn的转换过程。 本教程使用tools/rknpu2/export.py文件导出模型，在导出之前需要编写yaml配置文件。

环境要求

在进行转换前请根据rknn_toolkit2安装文档检查环境是否已经安装成功。

export.py 配置参数介绍

参数名称	是否可以为空	参数作用
verbose	是，默认值为True	是否在屏幕上输出转换模型时的具体信息
config_path	否	配置文件路径
target_platform	否	cpu型号

config 配置文件介绍

config yaml文件模版

mean:
  -
    - 128.5
    - 128.5
    - 128.5
std:
  -
    - 128.5
    - 128.5
    - 128.5
model_path: "./scrfd_500m_bnkps_shape640x640.onnx"
outputs_nodes:
do_quantization: True
dataset: "./datasets.txt"
output_folder: "./"

config 配置参数介绍

model_path

代表需要转换为RKNN的ONNX格式的模型路径

model_path: "./scrfd_500m_bnkps_shape640x640.onnx"

output_folder

代表最后储存RKNN模型文件的文件夹路径

output_folder: "./"

std 和 mean

如果需要在NPU上进行normalize操作需要配置此参数，并且请自行将参数乘以255，例如你的normalize中mean参数为[0.5,0.5,0.5]时， 配置文件中的mean应该配置为[128.5,128.5,128.5]。 请自行将[128.5,128.5,128.5]换成yaml格式,如下:

mean:
  -
    - 128.5
    - 128.5
    - 128.5
std:
  -
    - 128.5
    - 128.5
    - 128.5

当然如果在外部进行normalize和permute操作，则无需配置这两个参数。

outputs_nodes

输出节点的名字。当整个模型导出时，无语配置改参数。

outputs_nodes:

do_quantization 和 dataset

do_quantization代表是否进行静态量化。dataset表示进行静态量化时的图片数据集目录。 这两个参数配套使用，当do_quantization生效时，dataset才生效。

do_quantization: True
dataset: "./datasets.txt"

如何转换模型

根目录下执行以下代码

python tools/export.py  --config_path=./config.yaml

模型导出要注意的事项

• 不建议导出softmax以及argmax算子