RTMDet: An Empirical Study of Designing Real-Time Object Detectors
以下为x86 Linux平台的运行过程
python环境
为了导出模型，您需要安装以下python包
- mmengine >= 0.7.1
- mmcv >= 2.0.0rc4
- mmdet >= 3.0.0rc6
- mmyolo >= 0.3.0
ncnn
可以从ncnn的Release页面直接下载预编译包，或者按照ncnn的wiki从源码进行编译安装
如果您选择预编译包，解压缩后将ncnn-xxxx-xx目录移动到detective目录下，并重命名为ncnn
如果您从源码编译，将编译后得到的install目录移动到detective目录下，并重命名为ncnn
opencv-mobile
-
如果您已经安装了opencv，可以选择跳过这一步，并相应地修改CMakeLists.txt，使其能够链接opencv
-
如果您是从源码编译ncnn，并且开启了NCNN_SIMPLEOCV选项（如下所示），同样可以跳过这一步，删除CMakeLists.txt中OpenCV的部分
option(NCNN_SIMPLEOCV "minimal opencv structure emulation" ON)- 可以从opencv-mobile的Release页面选择一个版本下载预编译包，解压缩后移动到detective目录下，并重命名为opencv-mobile
目录结构
在使用opencv-mobile的情况下，当前工程应当有如下结构
detective
├── assets
├── rtmdet
├── ncnn
│ ├── bin
│ ├── include
│ └── lib
├── opencv-mobile
│ ├── bin
│ ├── include
│ ├── lib
│ └── share
├── ...
├── LICENSE
├── README.md
- 下载权重文件，并放到export目录下；
- 导出onnx文件
cd detective/rtmdet/export
python export.py- 将onnx导出ncnn格式。可以直接在这里进行转换
- 将转换后的文件重命名为rtmdet-tiny.param和rtmdet-tiny.bin，并放到assets目录下
cd detective/rtmdet
mkdir -p build
cd build/
cmake ..
make -j4
./rtmdet ../../assets/dog.jpg