1. yolov11-seg简介

yolov11-seg 是YOLO（You Only Look Once）系列的最新成员，专为实时实例分割任务设计。它在保持YOLO家族高效推理速度的同时，通过创新的网络结构和分割头设计，实现了像素级的精确目标检测与分割，适用于自动驾驶、医学影像、工业检测等对精度和速度要求苛刻的场景。

本教程针对目标分割算法yolov11 seg的训练和部署到EASY-EAI-Nano-TB(RV1126B)进行说明，而数据标注方法可以参考我们往期的文章。

2. yolov11-seg模型训练

yolov11-seg训练代码在导出部分对比原版会有一些修改，建议下载我们的训练代码。百度网盘链接:https://pan.baidu.com/s/16pH3SBtnb05Yt2EAHMZQcQ?pwd=1234(提取码:1234)。

2.1 数据集准备

在开始yolov11训练前，我看先准备好待训练数据，如crack（裂缝数据集），数据集也在训练工程的压缩包里面了。

目录如下图示意：

crack-seg标签数据格式说明如下图所示：

注：如果你需要将json格式的标注数据转成label标签数据，可以使用./data/json_2_yolo.py脚本转换。

2.2 训练参数配置

配置模型的训练参数：data.yaml，default.yaml，yolo11-seg.yaml，以crack-seg为例.

其中：

data.yaml：为待训练数据和验证数据的路径，以及类别数和类别名称；

default.yaml：为yolov11-seg训练参数，可自行调整模型训练的参数；

yolo11-seg.yaml：为yolov11-seg模型结构，在模型训练时，你需要修改类别数。

更多关于yolov11-seg信息可参考：

YOLOv11通俗易懂！| YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列！

2.3 模型训练

完成上述步骤后，就可以开始训练模型了，打开train.py脚本，输入data.yaml，default.yaml，yolo11-seg.yaml路径，如下代码段所示：

from ultralytics import YOLO
import os

os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"  
if __name__ == '__main__':
    cfg = r"./demo/crack-seg/default.yaml"
    data = r'./demo/crack-seg/data.yaml'
    #weight = r"./demo/weights/yolo11n-seg.pt"  # pt 或 yolovx.yaml
    weight = r"./demo/crack-seg/yolo11-seg.yaml"
    model = YOLO(weight)

    results = model.train(
        data=data,
        cfg=cfg
)

由于大家下载源码包后解压路径都不一样，所以需要更改data.yaml的数据集路径才能让模型训练的时候找到数据集:

执行train.py训练脚本，开始模型训练，如下示意图：

python train.py

2.4 PC端预测模型预测

训练完毕后，在default.yaml文件配置的project目录下保存训练过程，经验证集测试的最好结果的模型。同时可以执行模型预测，初步评估模型的效果。打开predict-seg.py脚本，配置好模型路径和待检测图片，如下代码片段：

from ultralytics import YOLO

# Load a model
model_path = r"./demo/crack/train/weights/best.pt"
image_path = r"./demo/crack-seg/test/images/1616.rf.c868709931a671796794fdbb95352c5a.jpg"

model = YOLO(model_path)  # load an official model

# Predict with the model
results = model(image_path)  # predict on an image

for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

执行脚本：

python predict-seg.py

脚本运行结束后，会将图片结果图片保存为result.jpg，运行结果如下图所示：

2.5 PT模型转ONNX

在PC端执行export.py将pt模型转成onnx，如下代码段所示：

from ultralytics import YOLO

if __name__ == '__main__':
    format = 'rknn' # 'torchscript', 'onnx', 'openvino', 'engine', 'coreml', 'saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs', 'paddle', 'ncnn'
    weight = r"./demo/crack/train/weights/best.pt"  # pt 或 yolovx.yaml
    model = YOLO(weight)
    results = model.export(format = format)

执行脚本：

python export.py

生成best.onnx模型如下所示：

3. rknn-toolkit模型转换

3.1 rknn-toolkit模型转换环境搭建

onnx模型需要转换为rknn模型才能在EASY-EAI-Nano-TB运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。

3.1.1 概述

模型转换环境搭建流程如下所示：

3.1.2 下载模型转换工具

为了保证模型转换工具顺利运行，请下载网盘里“06.AI算法开发/01.rknn-toolkit2模型转换工具/rknn-toolkit2-v2.3.2/docker/docker_image/rknn-toolkit2-v2.3.2-cp38-docker.tar.gz”。

网盘下载链接:https://pan.baidu.com/s/1wUy-UBy9n81p7jlee_dBVA?pwd=1234提取码：1234。

3.1.3 把工具移到ubuntu20.04

把下载完成的docker镜像移到我司的虚拟机ubuntu20.04的rknn-toolkit2目录,如下图所示：

3.1.4 运行模型转换工具环境

在该目录打开终端

执行以下指令加载模型转换工具docker镜像:

docker load --input rknn-toolkit2-v2.3.2-cp38-docker.tar.gz

执行以下指令进入镜像bash环境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert_test:/test rknn-toolkit2:2.3.2-cp38 /bin/bash

现象如下图所示:

输入“python”加载python相关库，尝试加载rknn库，如下图环境测试成功:

至此，模型转换工具环境搭建完成。

3.2 模型转换为RKNN

EASY EAI Nano-TB支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程入下图所示：

3.3 模型转换Demo下载

下载百度网盘链接：https://pan.baidu.com/s/1jrF2VFZImsBqWQeH4bawaA?pwd=1234(提取码：1234。)把quant_dataset.zip和yolov11_seg_model_convert.tar.bz2解压到虚拟机，如下图所示:

3.4 进入模型转换工具docker环境

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit2/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit2/model_convert:/test rknn-toolkit2:2.3.0-cp38 /bin/bash

执行成功如下图所示:

3.5 模型转换操作说明

3.5.1 模型转换Demo目录结构

模型转换测试Demo由yolov11_seg_model_convert和quant_dataset组成。yolov11_seg_model_convert存放软件脚本, quant_dataset存放量化模型所需的数据。如下图所示:

yolov11_seg_model_convert文件夹存放以下内容，如下图所示：

3.5.2 生成量化图片列表

在docker环境切换到模型转换工作目录:

cd /test/yolov11_seg_model_convert

如下图所示:

执行gen_list.py生成量化图片列表:

python gen_list.py

命令行现象如下图所示:

生成“量化图片列表”如下文件夹所示:

3.5.3 onnx模型转换为rknn模型

rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：

import sys
from rknn.api import RKNN

ONNX_MODEL = 'best.onnx'
DATASET = './pic_path.txt'
RKNN_MODEL = './yolov11n_seg_rv1126b.rknn'
QUANTIZE_ON = True


if __name__ == '__main__':

    # Create RKNN object
    rknn = RKNN(verbose=False)

    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform='rv1126b')
    print('done')

    # Load model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')

    # Export rknn model
    print('--> Export rknn model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')

    # Release
    rknn.release()

并执行如下命令进行模型转换：

python rknn_convert.py

生成模型如下图所示，EASY EAI Nano-TB环境运行：

4. 模型部署示例

本小节展示yolov11-seg模型的在EASY EAI Nano-TB的部署过程，本章章节使用的yolov11n_seg_rv1126b.rknn是使用crack数据集训练得到。

4.1 准备工作

4.1.1 硬件准备

需准备EASY EAI Nano-TB开发板，Type-C数据线、网线。可以基于MobaXterm的ssh远程桌面登录调试。首先使用网线把EASY EAI Nano-TB的千兆以太网接口与连着路由LAN口的交换机或者路由器的LAN口连接，如下图所示。

以及串口连接。

4.1.2 开发环境准备

如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。

在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。

cd ~/develop_environment 
./run.sh 2204 

4.2 源码下载以及例程编译

下载yolov11-seg C Demo示例文件。

百度网盘链接: https://pan.baidu.com/s/1EIUfLfQa1v55he14LiAifg?pwd=1234（提取码: 1234）。

下载程序包移至ubuntu环境后，执行以下指令解压：

tar -xvf yolov11_seg_model_convert.tar.bz2

下载解压后如下图所示:

在EASY-EAI 编译环境下，进入到对应的例程目录执行编译操作，具体命令如下所示：

cd /opt/nfsroot/rknn-src/RV1126B/yolov11_seg_C_demo 
./build.sh 

同时，把可执行程序目录yolov11_seg_demo_release/复制到开发板/userdata目录上：

cp yolov11_seg_demo_release/ /mnt/userdata/ -rf

4.3 开发板执行yolov11 seg分割算法

通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：

cd /userdata/yolov5_detect_demo_release/

运行例程命令如下所示：

chmod 777 yolov11_seg_demo 
sudo ./yolov11_seg_demo yolov11n_seg_rv1126b.rknn crack.jpg 

执行结果如下图所示,算法执行时间为108.258ms：

在EASY-EAI编译环境可以取回测试图片:

cp /mnt/userdata/yolov11_seg_demo_release/result.jpg . 
cp /mnt/userdata/yolov11_seg_demo_release/mask_bgr.jpg . 

测试结果如下图所示:

至此，yolov11-seg实例分割例程已成功在板卡运行。

5. 资料下载