YOLOv1-QRcode

QRcode detection project using LNN(linger&thinker)

介绍

本仓库利用LNN工具链实现二维码检测模型的落地。主要包括浮点训练、量化训练、模型打包、模拟引擎执行、固件烧录并芯片运行。其中固件烧录并芯片运行需要在聆思的开发板上来完成。

环境配置

linger环境配置及安装

https://github.com/LISTENAI/linger/blob/main/doc/tutorial/install.md

thinker环境配置及安装

https://github.com/LISTENAI/thinker/blob/main/thinker/docs/tutorial/install.md

requirement

数据集

二维码数据下载链接：https://pan.baidu.com/s/1d66HKN-8773D2FmvyhMwFg

主要流程

模型训练

运行脚本train.py, 浮点训练(float)、约束训练(clamp)、量化训练(quant)会按顺序一次性执行
最终该脚本会在./tmp.ignore/文件夹下生成一个YOLO.quant.onnx

模型打包

切换到thinker-env环境，使用thinker离线工具tpacker将刚才生成的onnx计算图打包

tpacker -g ./tmp.ignore/YOLO.quant.onnx -d True -o ./test_thinker/model.bin

推理执行

使用调用示例工程test_thinker，指定输入数据、资源文件和输出文件夹名称即可运行模拟代码。

chmod +x ./bin/test_thinker  
./bin/test_thinker ./demo/test_thinker/0000964.bin ./demo/test_thinker/model.bin output.bin 3 64 64 0

模型评估

float模式： ---class qr_code AP 0.9584357337014008---
quant模式： ---class qr_code AP 0.9554898401324852---

模型部署

在CSK6多模态芯片上部署运行该算法模型：https://cloud.listenai.com/CSKG962172/duomotai_ap.git

致谢

代码参考： https://github.com/abeardear/pytorch-YOLO-v1/tree/master