[TI TDA4 J721E]YOLOX 模型训练结果导入及平台移植应用

        首先感谢阅读，如果您也对TDA4相关的开发感兴趣，我们这边有个学习交流微信群，可以入群和大家一起交流学习。

资历较浅，水平有限，如遇错误，请大家多指正！

保持开源精神，共同分享、进步！

博主WX ： AIR_12  我会拉你入群。

链接：TDA4 相关专栏        链接：TDA4  Demo  Gitee开源库

欢迎大家加入，一起维护这个开源库，给更多的朋友提供帮助。

---

前段时间完成了Yolov5的模型导入和移植，有兴趣的可以看下这里：

[TI TDA4 J721E]YOLOV5 模型训练结果导入及平台移植应用_AIRKernel的博客-CSDN博客

SDK 版本 0802

一、YOLOX onnx模型的获取和导入

Ti官方在yolo官方的基础上，对yolo进行了一些修改，主要是为了适配训练生成的网络中有一些层，在TIDL模块内无法运行。

TI官方提供的 edgeai-yolox：

https://github.com/TexasInstruments/edgeai-yoloxhttps://github.com/TexasInstruments/edgeai-yolox可以在官方提供的基础上，训练自己的模型，并将 *.pth 权重文件，使用export_onnx.py文件导出为 onnx文件和prototxt文件。

注意：TI官方提供的yolox 预训练模型 onnx及 prototxt 下载地址：

https://github.com/TexasInstruments/edgeai-modelzoo/tree/master/models/vision/detection/coco/edgeai-yoloxhttps://github.com/TexasInstruments/edgeai-modelzoo/tree/master/models/vision/detection/coco/edgeai-yolox

 进入每个link文件下载即可。

原生yolox

https://github.com/Megvii-BaseDetection/YOLOX

---

二、转换流程（同yolov5转换过程）

步骤（主要在PC端完成）：

        1、将下载好的onnx和prototxt文件拷贝到对应文件夹

        2、新建一个转换配置文件，用于指定模型相关属性、源文件路径、生成模型存储路径等

        3、执行importer 操作，生成转换完成的bin文件

        4、PC端观察是否生成正确，并验证

具体参考流程，仿照YOLOV5模型的转换流程，有很详细的说明。

[TI TDA4 J721E]YOLOV5 模型训练结果导入及平台移植应用_AIRKernel的博客-CSDN博客

---

三、重点的转换配置文件！！！

我使用的是yolox_m_ti_lite_45p5_64p2.onnx 和 yolox_m_ti_lite_metaarch.prototxt 文件，具体的转化配置文件，如下：

modelType          = 2
numParamBits       = 8
numFeatureBits     = 8
quantizationStyle  = 3

inputNetFile       = "../../test/testvecs/models/public/onnx/yolox_m_ti_lite_45p5_64p2.onnx"
outputNetFile      = "../../test/testvecs/config/tidl_models/onnx/yolox_m_ti_lite_45p5_64p2/tidl_net_yolox_m_ti_lite_45p5_64p2.bin"
outputParamsFile   = "../../test/testvecs/config/tidl_models/onnx/yolox_m_ti_lite_45p5_64p2/tidl_io_yolox_m_ti_lite_45p5_64p2_"
inDataNorm  = 1
inMean = 0 0 0
inScale = 1.0 1.0 1.0
inDataFormat = 1
inWidth  = 640
inHeight = 640 
inNumChannels = 3
numFrames = 1
inData  =   "../../test/testvecs/config/detection_list.txt"
perfSimConfig = ../../test/testvecs/config/import/device_config.cfg
inElementType = 0
#outDataNamesList = "convolution_output,convolution_output1,convolution_output2"
metaArchType = 6
metaLayersNamesList =  "../../test/testvecs/models/public/onnx/yolox_m_ti_lite_metaarch.prototxt"
postProcType = 2

需要注意，重点要修改三个地方，如下：

1、quantizationStyle = 3 量化风格

这里需要设置为3，下图是两种不同的值转换过后的对比，区别还是很明显的。

如果大家遇到转换过程中，量化后检测不准或者检测失真情况，可以看一下这个帖子。

TDA4VM: Using the 8bit method to quantify the yolox model causes the large target detection position becomes smaller - Processors forum - Processors - TI E2E support forums

 quantizationStyle = 2（PC端模拟推理的结果）

quantizationStyle = 3（PC端模拟推理的结果）

2、inScale = 1.0 1.0 1.0

从yolov3 拷贝过来的转换配置文件内，

inScale = 0.003921568627 0.003921568627 0.003921568627

但在yolox中需要将inScale设置为：

inScale = 1.0 1.0 1.0

具体原因，目前还没有深究，等到弄明白了，再更新！

3、metaArchType = 6

yolov3中的配置文件，metaArchType = 4 ，在yolox中转化内的时候，需要设置为 metaArchType = 6

TI的工程师，给的回复是这两个帖子里面找：

edgeai-benchmark/benchmark_custom.py at master · TexasInstruments/edgeai-benchmark · GitHub

edgeai-benchmark/detection.py at master · TexasInstruments/edgeai-benchmark · GitHub

我还没有详细研究，目前先放在这里，后面再详细研究。

需要重点参考yolov5的转换过程！！！

---

四、将生成的bin文件拷贝到SD对应的模型目录中使用

将生成的文件，拷贝到EVM的SD卡对应模型存放路径：

tidl_io_yolox_m_ti_lite_45p5_64p2__1.bin ：这个是网络输入的配置文件

tidl_net_yolox_m_ti_lite_45p5_64p2.bin：这个是网络的模型数据

测试工程（我会把模型及转换文件同步过去）：

​​​​​​​TI TDA4: 提供TDA4交流学习平台 - Gitee.com

接将配置文件里面的网络输入和配置文件输入，修改成yolox的bin文件即可（其他模型，根据需要自行调整）

 注意：需要将 dl_size 修改为模型实际输入的大小，这个可以在yolox_m_ti_lite_metaarch.prototxt文件中查找到。

---

五、效果图如下

---

 【声明】
【欢迎转载转发，请注明出处。原创比较辛苦，请尊重原创，祝大家学习愉快！】
【博主专注嵌入式开发，具有多年嵌入式软、硬件开发经验，欢迎大家学习交流！】
【如有嵌入式相关项目需求，欢迎私信】