为了把yolov5在rk3588上跑起来，在网上搜罗了一圈,踩了一些坑。由于瑞芯微的文档有升级，导致和网络的文章有出入，所以做个记录。
rknn-toolkit 转换文档：
瑞芯微的转换文档在 rknn-toolkit/example/pytorch/yolov5/REAME.md 里
当版本升级到 1.7.5的时候，文档被删除，说是要根据airockchip/rknn_model_zoo (github.com) 里的指令来完成。但是model_zoo里的文档也是没有说太清楚。
把rknn-toolkit版本退回到，在 1.7.3 版本中还是有的。下面就是按照1.7.3的说明来操作。
yolov-v50 的环境：
官方文档指定使用yolov5 v5.0，因此需要获取特定的版本。
需要安装 pytorch 1.10.0 以下版本，否则会报错：
AttributeError: ‘Upsample’ object has no attribute ‘recompute_scale_factor’
但是在python 3.10 版本下没有 pytorch 1.9.1 了，所以要装python 3.8的环境：
conda create -n YOLOV5-V50 python==3.8
然后把requirement.txt 中的torch 改成 torch<1.10.0
pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simpleSimple Index
https://pypi.tuna.tsinghua.edu.cn/simple
权重文件：
在执行 python detect.py 默认下载的是最新版本的权重文件，我们需要v5.0的权重文件，所以需要手动下载
wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
检测:
默认使用coco数据集，yolov5s.pt
python detect.py
修改模型，导出
重点是RKNN把最终的sigmoid从模型内部给拿到外部，把sigmoid交给cpu去计算了。具体的参见 rknn-toolkit/example/pytorch/yolov5/REAME.md
3. 直接使用pt模型转为rknn模型时，需要修改 yolov5/models/yolo.py文件的后处理部分，将class Detect(nn.Module) 类的子函数forward修改为：
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
return x ```
导出：
python export.py --weights yolov5s.pt --img 640 --batch 1 --include onnx
测试和转换
测试：
测试的时候生成的rknn文件是用于3566的，不知道怎么给弄成3588的，所以测试只能测试
然后把这个.onnx 文件放到
rknn-toolkit2/examples/onnx/yolov5/
修改 test.py，转换为rknn模型，并查看 result.jpg是不是正确
转换为3588的：
转换的脚本不在rknn-toolkit2下，而在 rknpu2/examples/rknn_yolov5_demo/convert_rknn_demo/yolov5 下，修改
platform = 'rk3588' 和 model path,然后运行脚本可以得到rknn
用这个rknn替换掉板子上的文件，可以运行，识别率似乎下降了一点，发现推理时间从20多ms变为30ms左右。
在测试的时候，发现官方提供的onnx是81层，而我们转化出来的是96层，可能延时时间长跟这个有关系。
