pnna2/examples/yolov4_tiny

YOLOv4-Tiny 目标检测示例

概述

本示例展示了在 ARM Linux 运行环境下，如何通过 PNNA API 驱动 PNNA 硬件完成 YOLOv4-Tiny 目标检测模型的部署与推理。 工程覆盖从模型加载、图像预处理、硬件推理到后处理（解码与 NMS）的完整流程，可作为 ARM Linux 平台上部署 YOLO 系列检测模型的参考示例。

YOLOv4-Tiny 是轻量级单阶段目标检测模型，适用于对实时性和算力要求较高的嵌入式场景。

主要文件结构

examples/yolov4_tiny/
├── yolov4_tiny_demo.c    # 主程序：负责初始化、推理调度及资源释放
├── postprocess/          # 后处理模块：输出解码、置信度筛选、NMS
├── resource/             # 资源目录：存放 .nb 模型文件及测试图片
├── 3rdparty/             # 第三方库：图片解析、日志等
└── Makefile              # 构建脚本

ARM 端 Linux 模型部署参考

ARM Linux 环境下 PNNA 模型部署流程可参考：

ARM 端 Linux 模型部署说明

---

快速开始

本示例采用上位机交叉编译、下位机运行的方式。 示例工程已提供完整 Makefile，用户只需在上位机完成编译，并在下位机运行生成的可执行文件即可。

编译示例（上位机 Linux 环境）

在上位机 Linux 环境中，使用交叉编译工具链进入示例目录并执行：

cd examples/yolov4_tiny
make

编译完成后，将在当前目录生成可执行文件：

yolov4_tiny

该可执行文件用于在 ARM Linux 下位机上运行。

准备运行资源（下位机环境）

在 ARM Linux 下位机运行环境中，请确保以下资源可被程序正确访问（推荐与 yolov4_tiny 放在同级目录或 resource/ 目录下）。

模型文件

• YOLOv4-Tiny 量化模型文件，例如：

  yolov4-tiny_u8.nb
  

测试图片

• 任意测试图片，例如：

  dog.jpg
  

二进制输入数据（可选）

• 预编码的二进制输入文件，例如：

  input_0.dat
  

  该文件为预先量化编码的原始输入数据，可直接作为模型输入使用（对应 INPUT_BINARY 输入模式）。

如示例工程自带 resource/ 目录，也可直接使用默认路径，保持代码与资源路径一致即可。

---

运行推理（下位机 ARM Linux）

在下位机 ARM Linux 环境中，执行推理程序：

./yolov4_tiny

程序将依次完成：

1. PNNA 运行环境初始化
2. YOLOv4-Tiny 模型加载
3. 输入图片预处理（归一化、量化）
4. PNNA 硬件推理
5. 输出反量化、置信度过滤及 NMS 后处理
6. 资源释放及退出

测试结果示例

程序运行后，终端输出如下信息：

root@ft78ne-evm:# ./yolov4_tiny
HASHMAP 0xb6b4c524(record-list) INIT SUCCESS
boxes number: 12
16 0.910545 0.291451 0.647096 0.259141 0.569313
7 0.712116 0.759695 0.220082 0.305353 0.176144
2 0.407674 0.760552 0.222090 0.286601 0.162472
1 0.636270 0.423077 0.508935 0.660328 0.612339
destroy app_ctx_t done.
pnna closed

输出说明

程序运行结束后，控制台将输出目标检测相关信息，包括：

1. 检测框数量： 表示在当前输入图像中检测到的目标总数。

2. 单个检测框信息： 每一行对应一个检测结果，字段通常包括：

   • 类别 ID
   • 置信度
   • 目标框位置信息（相对于输入图像的坐标）

具体字段含义与顺序以当前工程后处理实现为准。

注意事项

• 后处理参数配置 置信度阈值（Confidence Threshold）及 NMS 参数会显著影响检测结果数量和质量，可根据实际应用需求进行调整。

• 输入预处理一致性 输入图片的尺寸、缩放方式、归一化参数以及通道顺序（RGB / BGR）必须与模型训练和导出配置一致。

• 模型输出布局确认 若使用经过裁剪、合并或针对特定硬件定制的 YOLOv4-Tiny 模型，请仔细核对模型输出 tensor 的排列方式，并相应调整后处理逻辑。

• 量化模型适配 本示例默认使用量化 NBG 模型，工程封装了量化与反量化逻辑，如模型输出为定点格式，需在后处理阶段进行正确的数据解释。

---

作者 {{xunyingya}}