yolov5导出onnx格式流程
- 安装依赖库
首先,需要安装以下依赖库:
- PyTorch:用于训练和导出模型
- onnx:用于导出onnx格式的模型
- onnxruntime:用于在Python中运行onnx模型
- opencv-python:用于处理图像数据
可以使用以下命令安装:
pip install torch torchvision torchaudio
pip install onnx onnxruntime opencv-python
- 下载YOLOv5代码
可以从GitHub上下载YOLOv5代码:
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
- 下载预训练权重
需要下载YOLOv5的预训练权重文件,可以从官方网站下载:
wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
- 导出ONNX模型
使用以下命令导出ONNX模型:
python models/export.py --weights yolov5s.pt --img 640 --batch 1 --include onnx
其中,--weights参数指定了要导出的模型权重文件,--img参数指定了输入图像的大小,--batch参数指定了输入图像的批次大小,--include onnx参数表示导出ONNX格式的模型。
运行成功后,会在yolov5目录下生成一个名为yolov5s.onnx的文件。
- 在Python中运行ONNX模型
可以使用以下代码在Python中加载并运行ONNX模型:
import onnx
import onnxruntime
import cv2
import numpy as np
# 加载模型
model = onnx.load('yolov5s.onnx')
session = onnxruntime.InferenceSession('yolov5s.onnx', None)
# 预处理图像
img = cv2.imread('test.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = cv2.resize(img, (640, 640))
img = img.transpose(2, 0, 1) # 转换为CHW格式
img = np.expand_dims(img, axis=0).astype(np.float32) # 增加批次维度并转换为float32
# 运行模型
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name
outputs = session.run([output_name], {input_name: img})
# 处理输出
output = outputs[0]
output = np.array(output)
output = output[0] # 取出第一张图片的输出结果
output = output[output[:, 4] > 0.5] # 过滤掉置信度低的框
output = output[:, :5] # 取出框的坐标和置信度
output[:, :4] *= 640 # 将坐标映射回原图大小
# 绘制框
for box in output:
x1, y1, x2, y2, conf = box
cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
# 显示结果
cv2.imshow('result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
其中,onnx.load()函数用于加载ONNX模型,onnxruntime.InferenceSession()函数用于创建一个ONNX模型的session。输入图像需要进行预处理,将其转换为模型所需的格式。模型运行后,输出的结果也需要进行处理,将其转换为可视化结果。
原文地址: https://www.cveoy.top/t/topic/bNgF 著作权归作者所有。请勿转载和采集!