本文介绍了如何在 RuiChing Studio 中创建一个 YOLO目标检测 示例工程，并将其编译后在开发板上运行。旨在帮助读者使用YOLO进行目标检测。

YOLO 算法简介

YOLO（You Only Look Once）是一种实时目标检测算法，它将目标检测任务转化为一个回归问题，通过单个神经网络直接在图像上预测边界框和类别概率。这种方法速度快，能够在保证一定准确率的同时实现实时检测，广泛应用于安防监控、自动驾驶等领域。

创建工程点击展开

1. 依次点击 “文件” -> “新建” -> "RT-Thread RuiChing App 项目"。

   

2. 在弹出新建向导中选择 开发版 、BSP: 、示例 、 调试器/下载器。选择好之后点击 “完成”。

   

3. 点击 “完成” 后，等待工程创建完成。

   

4. 创建完成。

   

构建工程点击展开

1. 单击工程使工程进入 Active-Debug 模式。

   

2. 点击工具栏上的构建按钮进行工程编译。

   

3. 构建成功后，会显示构建成功的信息。

   

固件下载点击展开

1. 固化设备树

   

2. 固化 APP

   

核心示例代码

yolov3 示例相关 API

• cv::imread：加载需要检测的图像；
• detect_yolov3：运用 YOLOv3 模型对输入的图像进行目标检测，把检测到的目标信息存于 objects 向量中；
• draw_objects ：在输入图像上绘制检测到的目标框和标签，然后把绘制后的图像保存到指定路径源。

applications/yolov3.cpp

int mnet_yolov3_test(int argc, char *argv[])
{
    rt_kprintf("Hello RT-Thread NCNN\n");
    char default_input[] = "bus.png", default_output[] = "image1.jpg";
    char *input_img, *output_img;

    if (argc < 3)
    {
        input_img = default_input;
        output_img = default_output;
        rt_kprintf(" input_img=bus.png,output_img=image1.jpg\n");
    }
    else if (argc == 3)
    {
        input_img = argv[1];
        output_img = argv[2];
        rt_kprintf(" input_img=%s,output_img=%s\n", input_img, output_img);
    }
    else
    {
        rt_kprintf("input_img or output_img is invalid\n");
        return -1;
    }

    rt_uint32_t time_start = 0, time_end = 0;
    rt_kprintf("execute imread start \n");
    time_start = rt_tick_get();
    // 读取待检测图片
    cv::Mat m = cv::imread(input_img, 1);
    time_end = rt_tick_get();
    rt_kprintf("execute imread end : %d ms\n", time_end - time_start);
    if (m.empty())
    {
        rt_kprintf("cv::imread failed\n");
        return -1;
    }

    cv::Mat image = m.clone();
    std::vector<Object> objects;
    rt_kprintf("execute detect_yolov3 start \n");
    time_start = rt_tick_get();
    // 进行目标检测
    detect_yolov3(m, objects);
    time_end = rt_tick_get();
    rt_kprintf("execute detect_yolov3 end : %d ms\n", time_end - time_start);

    rt_kprintf("execute draw_objects start\n");
    time_start = rt_tick_get();
    // 绘制标识，保存图片
    draw_objects(m, objects, output_img);
    time_end = rt_tick_get();
    rt_kprintf("execute draw_objects end : %d ms\n", time_end - time_start);

    return 0;
}

运行示例

操作步骤

准备

准备一张 TF 卡，存放从https://github.com/nihui/ncnn-assets/tree/master/models获取的mobilenetv2_yolov3.param和mobilenetv2_yolov3.bin，以及待检测的图片。

执行

开发板运行程序后，将测试图像传入系统，程序会调用 YOLO 模型进行目标检测，在输出图像上绘制检测到目标的边界框和类别标签。

[I/SPI1] sdio: SD card capacity 15558144 KB
[I/SPI1] sdio: switch to High Speed / SDR25 mode
found part[0], begin: 222298112, size: 14.644GB
elm file system mounted successfully!
msh />cd sd
msh /sd>cd sdmmc/
msh /sd/sdmmc>ls
Directory /sdmmc:
System Volume Information<DIR>
cat_raw.png             909679
mobilenetv2_yolov3.bin  7484620
mobilenetv2_yolov3.param 9508
bus.png                 941129
msh /sd/sdmmc>mnet_yolov3_test
Hello RT-Thread NCNN
 input_img=bus.png,output_img=image1.jpg
execute imread start
execute imread end : 396 ms
execute detect_yolov3 start
6 3 1
execute detect_yolov3 end : 4281 ms
execute draw_objects start
execute draw_objects end : 336 ms
execute done
msh /sd/sdmmc>mnet_yolov3_test cat_raw.png out.jpg
Hello RT-Thread NCNN
 input_img=cat_raw.png,output_img=out.jpg
execute imread start
execute imread end : 389 ms
execute detect_yolov3 start
6 3 1
execute detect_yolov3 end : 4239 ms
execute draw_objects start
execute draw_objects end : 355 ms
execute done
msh /sd/sdmmc>

查看检测结果