示例工程人工智能嵌入式边缘计算计算机视觉模型优化【免费下载链接】rknn_model_zoo项目地址https://gitcode.com/gh_mirrors/rk/rknn_model_zoo点击查看免费下载导读本文基于 rknn_model_zoo 仓库中的 datasets/README.md 展开系统讲解仓库内置数据集模块的定位与用法。该模块目前收录了 COCO2017 这一经典开源数据集在仓库中主要服务于物体检测与图像分割类网络的训练并可直接用于 YOLOv5 示例的训练、测试与精度评估。读完本文你将掌握 COCO2017 验证集的下载脚本用法、仓库内子集与标注文件的组织方式以及数据集路径如何在 YOLOv5 的 RKNN 量化转换与 COCO mAP 评测链路中发挥作用从而能在自己的 RKNN 部署项目中正确复现准备数据 → 量化校准 → 评测验证的完整流程。一、数据集模块概览仓库把数据资产放在哪里在 rknn_model_zoo 中数据集并非散落在各示例目录下而是统一收敛在仓库根的 datasets 目录中。从仓库目录结构可以看出datasets 下按用途划分为多个子模块COCO/COCO2017 验证集子集、下载脚本与路径清单LPRNET/车牌识别示例使用的测试图片与数据集清单datasets/LPRNET/datasets.txtPPOCR/OCR 检测/识别示例的多语言测试图片与 20 张清单datasets/PPOCR/dataset_20.txtimagenet/ImageNet 验证集抽样样本与 20 张清单datasets/imagenet/dataset_20.txt。其中 datasets/README.md 目前勾选了coco 2017一项并给出对应说明。也就是说本文所讲解的 COCO2017 就是当前 datasets 模块的主体内容其余子模块则对应各示例模型LPRNet、PPOCR、分类网络的轻量测试数据。说明[x]标记表示该数据集已在仓库中完成收录与配套脚本落地阅读 datasets/README_EN.md 可获得相同的英文说明。二、COCO2017开源检测/分割数据集与仓库内的定位COCO2017Common Objects in Context是业界广泛使用的开源数据集可用于**物体检测object detection与图像分割image segmentation**等网络的训练数据。在 rknn_model_zoo 仓库中它被明确标注为可用于YOLOv5 的训练、测试与评估。这一用途在仓库中有直接的源码佐证examples/yolov5/python/yolov5.py 中Python 评测入口默认指向../../../datasets/COCO/annotations/instances_val2017.jsonCOCO 验证集标注文件并注释说明 COCO 验证图目录为../../../datasets/COCO/val2017examples/yolov5/python/convert.py 中RKNN 量化转换脚本的校准数据集路径默认指向../../../datasets/COCO/coco_subset_20.txt。也就是说datasets/COCO 目录既是量化校准图片的默认来源也是 COCO mAP 精度评测的默认数据源是 YOLOv5 示例开箱即用的数据底座。仓库在 datasets/README.md 中给出的官网地址为 cocodataset.org数据集本身由 COCO 官方发布仓库并未在本地存储完整 COCO2017 全量数据而是提供小体积子集 下载脚本的组合方案。三、验证集下载脚本一键获取 val2017 与标注文件仓库为 COCO2017 验证集提供了现成的下载脚本datasets/COCO/download_eval_dataset.py。运行方式非常简单cd datasets/COCO python download_eval_dataset.py脚本执行后会依次完成以下工作下载验证集图片压缩包从http://images.cocodataset.org/zips/val2017.zip下载val2017.zip解压图片将val2017.zip解压到本地得到val2017/目录内含约 5000 张验证图片下载标注文件从http://images.cocodataset.org/annotations/annotations_trainval2017.zip下载标注压缩包并解压其中instances_val2017.json即 YOLOv5 评测所需的实例标注生成 CAPI 基准测试路径清单遍历解压后的val2017目录将每张图片以目标板上的路径/userdata/val2017/图片名写入./coco_dataset_path.txt供 C 端基准测试读取。从 download_eval_dataset.py 的实现细节看下载过程具备以下工程化特征断点友好的下载检查download()函数在文件已存在时跳过重新下载if not os.path.exists(file_name)避免重复拉取大文件实时进度显示通过urlretrieve的回调show_progress()输出百分比进度条与实时速率自动以 KB/s、MB/s、GB/s 分级显示下载大体积的 val2017 压缩包时便于观察网络状态失败即退出下载异常时打印 traceback 并exit(-1)防止拿到残缺数据继续后续流程解压到当前目录un_zip()使用zipfile将压缩包内文件解压至脚本所在目录默认即datasets/COCO/。注意事项val2017.zip 与 annotations 压缩包体积较大需要一定的磁盘空间与网络带宽脚本默认将文件解压到当前工作目录建议在磁盘充足的位置执行。四、内置子集20 张图片的轻量量化校准清单由于完整 val2017 体积较大仓库还在 datasets/COCO/subset 目录下内置了一个20 张图片的子集并提供了对应的路径清单 datasets/COCO/coco_subset_20.txt。该清单每一行是一条相对路径例如./subset/000000005001.jpg ./subset/000000038829.jpg ./subset/000000052891.jpg ./subset/000000075612.jpg ./subset/000000098261.jpg ./subset/000000181542.jpg ./subset/000000215245.jpg ./subset/000000277005.jpg ./subset/000000288685.jpg ./subset/000000301421.jpg ./subset/000000334371.jpg ./subset/000000348481.jpg ./subset/000000373353.jpg ./subset/000000397681.jpg ./subset/000000414673.jpg ./subset/000000419312.jpg ./subset/000000465822.jpg ./subset/000000475732.jpg ./subset/000000559707.jpg ./subset/000000574315.jpg这些图片均为官方 COCO 验证集中的真实样例文件名即官方图片 ID涵盖了多种分辨率与场景640×480、640×427、500×375 等。从 examples/yolov5/python/convert.py 可以看到这个清单正是 YOLOv5 示例在 RKNN 转换时做**量化校准quantization calibration**的默认数据集DATASET_PATH ../../../datasets/COCO/coco_subset_20.txt在 convert.py 中该清单被直接传入 RKNN 构建接口rknn.build(do_quantizationdo_quant, datasetDATASET_PATH)其作用机制是当do_quantizationTrue默认开启对应 i8 量化时rknn-toolkit 会读取清单中每张图片前向推理得到激活值分布据此确定 int8 量化所需的缩放参数。选取 20 张有代表性的图片做校准既保证了量化精度又避免了全量 val2017 带来的转换耗时是仓库在转换效率与量化质量之间取的平衡点。五、与 YOLOv5 示例的完整对接链路结合 examples/yolov5/README.md 与相关源码COCO2017 数据集在 YOLOv5 示例中的完整使用链路如下5.1 模型转换量化依赖数据集cd examples/yolov5/python python convert.py ../model/yolov5s_relu.onnx rk3588转换脚本默认dtypei8量化此时会自动读取coco_subset_20.txt中的 20 张子集图片完成校准若希望跳过量化可显式指定fp。转换产物默认保存为../model/yolov5.rknn。5.2 Python 推理与 COCO 精度评测cd examples/yolov5/python # 使用 RKNN 模型推理 python yolov5.py --model_path ../model/yolov5.rknn --target rk3588 --img_show若需在 COCO 验证集上做 mAP 评测yolov5.py 默认读取标注文件../../../datasets/COCO/annotations/instances_val2017.json验证图片目录../../../datasets/COCO/val2017这两者正是通过 download_eval_dataset.py 下载解压得到的。5.3 C 端基准测试路径清单脚本生成的coco_dataset_path.txt将图片路径统一改写为板端路径/userdata/val2017/图片名见 download_eval_dataset.py。这与 examples/yolov5/README.md 中 Linux Demo 将 demo 目录推送至/userdata/的习惯一致——把 val2017 镜像到/userdata/val2017后C 端基准程序即可按清单逐张读取图片进行批量推理与精度统计。六、实践建议与注意事项按需选择数据规模日常开发调试、快速验证转换流程时直接用内置 20 张子集即可只有在需要正式评估 COCO mAP 精度时才运行下载脚本获取完整 val2017约 5000 张与instances_val2017.json标注保持目录约定一致评测脚本默认从datasets/COCO/annotations/、datasets/COCO/val2017读取数据下载脚本的解压目标正是这两个路径因此在datasets/COCO目录下执行下载脚本即可保持默认约定不出错量化清单的可替换性DATASET_PATH是一个普通文本文件每行一张图片路径。用户完全可以在subset目录基础上增删图片或换成自己的业务图片清单实现针对特定场景的量化校准多示例共享coco_subset_20.txt这类清单文件同时被仓库内其他量化转换脚本如 examples/RetinaFace/python/convert.py、examples/deeplabv3/python/convert.py 等它们统一使用../model/dataset.txt模式以相似方式使用理解 COCO 子集的组织方式有助于举一反三网络与磁盘官方 COCO 下载源在国外国内网络环境下可能需要代理或重试脚本已内置文件存在则跳过的逻辑支持断点续传式的重复执行。结语datasets 模块是 rknn_model_zoo 中数据即插即用的基石COCO2017 子集承担量化校准下载脚本补齐评测数据路径清单串联 C/Python 双端流程。理解这套数据组织方式你就掌握了在 RKNN 模型转换与精度验证中正确准备数据的标准姿势无论后续迁移到 YOLOv5 还是其他检测模型都能快速复现同样的数据链路。延伸阅读仓库内各示例的数据依赖与运行方式可进一步参考 examples/yolov5/README.md以及 datasets/README_EN.md英文版数据集说明。赞分享示例工程人工智能嵌入式边缘计算计算机视觉模型优化【免费下载链接】rknn_model_zoo项目地址https://gitcode.com/gh_mirrors/rk/rknn_model_zoo点击查看免费下载相关推荐Apache DataFusion 示例数据集详解cars.csv 与 regex.csv 的数据结构、Schema 与实际应用Apache DataFusion 示例数据集详解cars.csv 与 regex.csv 的数据结构、Schema 与实际应用 本指南以 datafusio大数据数据分析后端AutoRAG 示例数据集获取指南使用 sample_dataset 脚本准备 QA 与语料数据AutoRAG 示例数据集获取指南使用 sample_dataset 脚本准备 QA 与语料数据 导读 本文面向使用 AutoRAG 进行检索增强生成实验的开人工智能AI AgentRAG本地部署CLIZstandard在实际项目中的集成与应用案例Zstandard在实际项目中的集成与应用案例 本文详细介绍了Zstandardzstd高性能压缩算法在各种编程语言和实际场景中的集成方法与最佳实践。文章首数据工程上一篇WiFi-DensePose安全最佳实践保护隐私的同时实现精准追踪下一篇Audacity免费开源的多轨音频编辑与录音工具零成本搞定播客降噪创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
