前言

前面我們給大家介紹了基于LabVIEW+YOLOv3/YOLOv4的物體識別（物件檢測），今天接著上次的內容再來看看YOLOv5，本次主要是和大家分享使用LabVIEW快速實作yolov5的物體識別，本博客中使用的智能工具包可到主頁置頂博客LabVIEW AI視覺工具包（非NI Vision）下載與安裝教程中下載，若配置運行程序中遇到困難，歡迎大家評論區留言，博主將盡力解決，

一、關于YOLOv5

YOLOv5是在 COCO 資料集上預訓練的一系列物件檢測架構和模型，表現要優于谷歌開源的目標檢測框架 EfficientDet，在檢測精度和速度上相比yolov4都有較大的提高，目前YOLOv5官方代碼中，最新版本是YOLOv5 v6.1，一共給出了5個版本的模型，分別是 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五個模型（如下圖所示），這些不同的變體模型使得YOLOv5能很好的在精度和速度中權衡，方便用戶選擇，其中五個模型性能依次增強，比如YOLOv5n模型引數量最小，速度最快，AP精度最低；YOLOv5x模型引數量最大，速度最慢，AP精度最高，本博客，我們以YOLOv5最新版本來介紹相關的部署開發，

YOLOv5相比于前面yolo模型的主要特點是：

1、小目標的檢測精度上有明顯的提高；

2、能自適應錨框計算

3、具有資料增強功能，隨機縮放，裁剪，拼接等功能

4、靈活性極高、速度超快，模型超小、在模型的快速部署上具有極強優勢

關于YOLOv5的網路結構解釋網上有很多，這里就不再贅述了，大家可以看其他大神對于YOLOv5網路結構的決議，

二、YOLOv5模型的獲取

為方便使用，博主已經將yolov5模型轉化為onnx格式，可在百度網盤下載 鏈接：https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku 提取碼：yiku

1.下載原始碼

將Ultralytics開源的YOLOv5代碼Clone或下載到本地，可以直接點擊Download ZIP進行下載，

下載地址：https://github.com/ultralytics/yolov5

2.安裝模塊

解壓剛剛下載的zip檔案，然后安裝yolov5需要的模塊，記住cmd的作業路徑要在yolov5檔案夾下：

打開cmd切換路徑到yolov5檔案夾下，并輸入如下指令，安裝yolov5需要的模塊

pip install -r requirements.txt

3.下載預訓練模型

打開cmd，進入python環境，使用如下指令下載預訓練模型：

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

成功下載后如下圖所示：

4.轉換為onnx模型

在yolov5之前的yolov3和yolov4的官方代碼都是基于darknet框架實作的，因此opencv的dnn模塊做目標檢測時，讀取的是.cfg和.weight檔案，非常方便，但是yolov5的官方代碼是基于pytorch框架實作的，需要先把pytorch的訓練模型.pt檔案轉換到.onnx檔案，然后才能載入到opencv的dnn模塊里，

將.pt檔案轉化為.onnx檔案，主要是參考了nihate大佬的博客：https://blog.csdn.net/nihate/article/details/112731327

將export.py做如下修改，將def export_onnx（）中的第二個try注釋掉，即如下部分注釋：

    '''
    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 = https://www.cnblogs.com/virobotics/archive/2022/10/13/k, str(v)
        onnx.save(model_onnx, f)'''

并新增一個函式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中輸入轉onnx的命令（記得將export.py和pt模型放在同一路徑下）：

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

如下圖所示為轉化成功界面

其中yolov5s可替換為yolov5m\yolov5m\yolov5l\yolov5x

三、LabVIEW呼叫YOLOv5模型實作實時物體識別（yolov5_new_opencv.vi）

本例中使用LabvVIEW工具包中opencv的dnn模塊readNetFromONNX()載入onnx模型，可選擇使用cuda進行推理加速，

1.查看模型

我們可以使用netron 查看yolov5m.onnx的網路結構，瀏覽器中輸入鏈接：https://netron.app/，點擊Open Model，打開相應的網路模型檔案即可，

如下圖所示是轉換之后的yolov5m.onnx的屬性：

2.引數及輸出

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

Net.forward()輸出： 單陣列 25200*85

3.LabVIEW呼叫YOLOv5原始碼

如下圖所示，呼叫攝像頭實作實時物體識別

4.LabVIEW呼叫YOLOv5實時物體識別結果

本次我們是以yolov5m.onnx為例來測驗識別結果和速度的； 不使用GPU加速，僅在CPU模式下，實時檢測推理用時在300ms/frame左右

使用GPU加速，實時檢測推理用時為30~40ms/frame,是cpu速度的十倍多

總結

以上就是今天要給大家分享的內容，本次分享內容實驗環境說明：作業系統為Windows10，python版本為3.6及以上，LabVIEW為2018及以上 64位版本，視覺工具包為博客開頭提到的工具包，

如需原始碼，如需原始碼，請關注微信公眾號:VIRobotics，回復關鍵字“yolov5”，

如您想要探討更多關于LabVIEW與人工智能技術，歡迎加入我們的技術交流群：705637299，進群請備注暗號：LabVIEW深度學習

如果文章對你有幫助，歡迎關注、點贊、收藏

 

標籤：其他

上一篇：精準測驗技術十年發展漫談

下一篇：KubeEdge 1.12版本發布，穩定性、安全性、可擴展性均帶來大幅提升