乐趣区

关于机器学习:YOLOv5LabVIEWYOLOv5快速实现实时物体识别Object-Detection含源码

jiezi

前言

后面咱们给大家介绍了基于 LabVIEW+YOLOv3/YOLOv4 的物体辨认（对象检测），明天接着上次的内容再来看看 YOLOv5。本次次要是和大家分享应用 LabVIEW 疾速实现 yolov5 的物体辨认，本博客中应用的智能工具包可到主页置顶博客 LabVIEW AI 视觉工具包（非 NI Vision）下载与装置教程中下载。若配置运行过程中遇到困难，欢送大家评论区留言，博主将尽力解决。

一、对于 YOLOv5

YOLOv5 是在 COCO 数据集上预训练的一系列对象检测架构和模型。体现要优于谷歌开源的指标检测框架 EfficientDet，在检测精度和速度上相比 yolov4 都有较大的进步。目前 YOLOv5 官网代码中，最新版本是 YOLOv5 v6.1，一共给出了 5 个版本的模型，别离是 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五个模型（如下图所示）。这些不同的变体模型使得 YOLOv5 能很好的在精度和速度中衡量，不便用户抉择。其中五个模型性能顺次加强。比方 YOLOv5n 模型参数量最小，速度最快，AP 精度最低；YOLOv5x 模型参数量最大，速度最慢，AP 精度最高。本博客，咱们以 YOLOv5 最新版本来介绍相干的部署开发。

YOLOv5 相比于后面 yolo 模型的 次要特点 是：
1、小指标的检测精度上有显著的进步；
2、能自适应锚框计算
3、具备数据加强性能，随机缩放，裁剪，拼接等性能
4、灵活性极高、速度超快，模型超小、在模型的疾速部署上具备极强劣势

对于 YOLOv5 的网络结构解释网上有很多，这里就不再赘述了，大家能够看其余大神对于 YOLOv5 网络结构的解析。

二、YOLOv5 模型的获取

为方便使用，博主曾经将 yolov5 模型转化为 onnx 格局 ，可在百度网盘下载
链接：https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku
提取码：yiku

1. 下载源码

将 Ultralytics 开源的 YOLOv5 代码 Clone 或下载到本地，能够间接点击 Download ZIP 进行下载，

下载地址：https://github.com/ultralytics/yolov5

2. 装置模块

解压刚刚下载的 zip 文件，而后装置 yolov5 须要的模块，记住 cmd 的工作门路要在 yolov5 文件夹下：

关上 cmd 切换门路到 yolov5 文件夹下，并输出如下指令，装置 yolov5 须要的模块
pip install -r requirements.txt

3. 下载预训练模型

关上 cmd，进入 python 环境，应用如下指令下载预训练模型：

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom

胜利下载后如下图所示：

4. 转换为 onnx 模型

在 yolov5 之前的 yolov3 和 yolov4 的官网代码都是基于 darknet 框架实现的，因而 opencv 的 dnn 模块做指标检测时，读取的是.cfg 和.weight 文件，十分不便。然而 yolov5 的官网代码是基于 pytorch 框架实现的。须要先把 pytorch 的训练模型.pt 文件转换到.onnx 文件，而后能力载入到 opencv 的 dnn 模块里。

将.pt 文件转化为.onnx 文件，次要是参考了 nihate 大佬的博客：https://blog.csdn.net/nihate/…

将 export.py 做如下批改，将 def export_onnx（）中的第二个 try 正文掉，即如下局部正文：

'''
    try:
        check_requirements(('onnx',))
        import onnx

        LOGGER.info(f'\n{prefix} starting export with onnx {onnx.__version__}...')
        f = file.with_suffix('.onnx')
        print(f)

        torch.onnx.export(
            model,
            im,
            f,
            verbose=False,
            opset_version=opset,
            training=torch.onnx.TrainingMode.TRAINING if train else torch.onnx.TrainingMode.EVAL,
            do_constant_folding=not train,
            input_names=['images'],
            output_names=['output'],
            dynamic_axes={
                'images': {
                    0: 'batch',
                    2: 'height',
                    3: 'width'},  # shape(1,3,640,640)
                'output': {
                    0: 'batch',
                    1: 'anchors'}  # shape(1,25200,85)
            } if dynamic else None)

        # Checks
        model_onnx = onnx.load(f)  # load onnx model
        onnx.checker.check_model(model_onnx)  # check onnx model

        # Metadata
        d = {'stride': int(max(model.stride)), 'names': model.names}
        for k, v in d.items():
            meta = model_onnx.metadata_props.add()
            meta.key, meta.value = k, str(v)
        onnx.save(model_onnx, f)'''

并新增一个函数 def my_export_onnx（）：

def my_export_onnx(model, im, file, opset, train, dynamic, simplify, prefix=colorstr('ONNX:')):
    print('anchors:', model.yaml['anchors'])
    wtxt = open('class.names', 'w')
    for name in model.names:
        wtxt.write(name+'\n')
    wtxt.close()
    # YOLOv5 ONNX export
    print(im.shape)
    if not dynamic:
        f = os.path.splitext(file)[0] + '.onnx'
        torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'], output_names=['output'])
    else:
        f = os.path.splitext(file)[0] + '_dynamic.onnx'
        torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'],
                          output_names=['output'], dynamic_axes={'images': {0: 'batch', 2: 'height', 3: 'width'},  # shape(1,3,640,640)
                                        'output': {0: 'batch', 1: 'anchors'}  # shape(1,25200,85)
                                        })
    return f

在 cmd 中输出转 onnx 的命令（记得将 export.py 和 pt 模型放在同一门路下）：

python export.py --weights yolov5s.pt --include onnx

如下图所示为转化胜利界面

其中 yolov5s 可替换为 yolov5m\yolov5m\yolov5l\yolov5x

三、LabVIEW 调用 YOLOv5 模型实现实时物体辨认（yolov5_new_opencv.vi）

本例中应用 LabvVIEW 工具包中 opencv 的 dnn 模块 readNetFromONNX()载入 onnx 模型，可抉择应用 cuda 进行推理减速。

1. 查看模型

咱们能够应用 netron 查看 yolov5m.onnx 的网络结构，浏览器中输出链接：https://netron.app/，点击 Open Model，关上相应的网络模型文件即可。

如下图所示是转换之后的 yolov5m.onnx 的属性：

2. 参数及输入

blobFromImage 参数：
size：640*640
Scale=1/255
Means=[0,0,0]

Net.forward()输入：
单数组 25200*85

3.LabVIEW 调用 YOLOv5 源码

如下图所示，调用摄像头实现实时物体辨认

4.LabVIEW 调用 YOLOv5 实时物体辨认后果

本次咱们是以 yolov5m.onnx 为例来测试辨认后果和速度的；
不应用 GPU 减速，仅在 CPU 模式下，实时检测推理用时在 300ms/frame 左右

应用 GPU 减速，实时检测推理用时为30~40ms/frame, 是 cpu 速度的十倍多

总结

以上就是明天要给大家分享的内容，本次分享内容试验环境阐明：操作系统为 Windows10，python 版本为 3.6 及以上，LabVIEW 为 2018 及以上 64 位版本，视觉工具包为博客结尾提到的工具包。

如需源码，如需源码，请关注微信公众号:VIRobotics。回复关键字“yolov5”。

如您想要探讨更多对于 LabVIEW 与人工智能技术，欢送退出咱们的技术交换群：705637299。进群请备注暗号：LabVIEW 深度学习

如果文章对你有帮忙，欢送关注、点赞、珍藏

退出移动版