利用yolov5利用export.py导出engine模型

小和山杀神

于 2024-07-30 14:17:55 发布

阅读量221

点赞数 3

文章标签： YOLO

本文链接：https://blog.csdn.net/2301_80667554/article/details/140795539

版权

相关环境配制好

主要就三个地方：

dataset.yaml path #配置文件
model.pt path(s) #第一次填写train出来的.pt模型
--include  #第一次改为‘onnx’生成.onnx

然后我第二次在权重那里填的生成的.onnx会报错，换成原来的.pt文件然后下面换成.engine 就能成功生成

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小和山杀神

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
利用yolov5利用export.py导出engine模型

然后我第二次在权重那里填的生成的.onnx会报错，换成原来的.pt文件然后下面换成.engine 就能成功生成。
复制链接

扫一扫

YOLOv5系列（2）——YOLOv5导出jit，onnx，engine

wa1tzy的博客

03-06

8057

文章目录一、YOLOv5导出jit二、YOLOv5导出onnx三、使用onnx四、YOLOv5导出engine（tensorrt/trt）五、总结所有代码5.1 models/common.py5.2 models/yolo.py5.3 test00.py5.4 onnx_export.py(test01.py)5.5 models/yolov5s.yaml5.6 pkg/common.py5.7 engine_export.py(test03.py) 做个YOLOv5的专题，这部分写一些YOLOv5的工程

YOLOV5转换模型为om模型文件脚本

09-18

这一步通常通过命令行执行，例如：`python export.py --weights yolov5s.pt --format onnx --opset 11 --output yolov5s.onnx`。 3. **模型转换**：使用MindConverter，将ONNX模型转换为OM模型。命令行可能类似于：`...

参与评论您还未登录，请先登录后发表或查看评论

yolo-使用onnxruntime部署yolov5目标检测算法.zip

03-02

yolo_使用onnxruntime部署yolov5目标检测算法

yolov5导出onnx转engine推理

mddCSDN的博客

02-22

1414

使用上述文章中的代码ONNX转engine速度较慢， engine_file_path需要给出具体名称，如：yolov5_my.engine。pt转engine是先转ONNX，然后再到engine。将TensorRT的的lib加入环境变量中。需要提供配置文件和权重文件，不然导出模型不能正常推理。在win11系统环境path添加。

利用yolo-v5master的自带export.py直接将yolov5-master版本中训练好的pt文件输出为指定的格式，包括engine(tensorrt)以及onnx格式(完整流程，手把手)

qq_58135699的博客

03-19

1450

py文件自带调用onnx的接口的功能，也自带调用tensorrt转化的功能，只需要设定相应的pt文件路径，以及输出文件的存储路径即可。为什么要出这篇文章呢，本来是想把pt文件输出为onnx，然后转化为tensorRT所需的engine文件进行优化加速，折腾了半天发现多此一举了。下载完毕打开CUDA安装的目录（菜单的程序以及应用可以搜到说明电脑里已经装了CUDA，如果没有则需要先安装CUDA）选择上面的这个版本下载，接下来操作按照下面这位博主的即可，只不过需要将指令换成自己对应的文件名。

yolov5模型pt转engine

wyw0000的博客

06-18

404

yolov5 pt模型转engine

YOLOv5模型转ONNX,ONNX转TensorRT Engine

小豆包的博客

01-11

4678

YOLOv5转ONNX,ONNX转Engine ,接下来是了解TensorRT插件，Int8量化流程。

YOLOv5 pt转engine

qq_45834106的博客

01-20

1496

参考一下下面的图，这里举的例子是8.5.3的。如果你要安装8.5.3的tensorrt，在安装之前，至少请保证你现有的环境中的cuda、cudnn、tensorflow、onnx、pytorch均大于8.5.3的tensorrt的版本要求。如果你十分确定你的cuda版本和cudnn版本之间是绝对兼容没问题的，即之前的跑实验都能用。先重装你的pytorch试试看，如果也没有问题，那么问题应该就是在tensorrt的版本上了。一开始我觉得是cuda出问题了，运行了下面的代码测试一下，发现也都是True。

利用python版tensorRT导出engine【以yolov5为例】

最新发布

m0_66380820的博客

07-18

765

ONNX（Open Neural Network Exchange）是一种用于表示深度学习模型的开放标准，它允许不同的深度学习框架和工具之间进行模型交换。ONNX模型具有跨平台的兼容性，可以在不同的硬件和软件上运行，从而提高了模型的部署效率和可移植性。开放性：ONNX是一个开放的标准，由多家技术公司共同维护和发展，确保了模型的广泛兼容性和未来的发展潜力。跨平台兼容性：ONNX模型可以在不同的操作系统和硬件上运行，包括CPU、GPU等，这使得模型部署更加灵活。

Yolov5-v5.0 导出onnx推理结果完全错误

ls200013的博客

07-17

2859

楼主研究生在读，在搞模型部署方面的研究，记录一些遇到的问题。最近使用yolov5-v5.0时。用官方yolov5s.pt权重文件并利用expor.pyt文件导出onnx时，虽然能够导出onnx模型但其onnx模型经实测输出是错误的，网上没搜到解决方案，所以楼主发文记录，有帮助欢迎点赞收藏。

windows环境下yolov5使用tensorrt加速，生成engine文件

q66666666djjshs的博客

01-17

1587

tensorrt加速yolov5，解决TensorRT: export failure: [WinError 127] 找不到指定的程序。

Deepstream yolov5 两种引擎(engine)生成方式

W1995S的博客

12-04

2788

tensorrt

用yolov5做手势识别系统如何进行模型部署

03-31

要将YoloV5模型部署为手势识别系统，需要进行以下步骤： 1. 训练模型：首先需要使用YoloV5训练自己的手势识别模型。可以使用自己的数据集进行训练，也可以使用开源数据集进行训练。 2. 导出模型：在训练完成后，需要将模型导出为ONNX或TorchScript格式，以便在部署时使用。可以使用以下命令将模型导出为ONNX格式： ```bash python export.py --weights <path-to-weight-file> --img <image-size> --batch <batch-size> ``` 其中，`<path-to-weight-file>`是权重文件的路径、`<image-size>`是输入图像的大小、`<batch-size>`是批量大小。导出后，会生成一个ONNX文件。 3. 模型部署：使用部署框架（如TensorRT、OpenVINO等）将ONNX文件转换为可部署的模型格式，并进行优化。例如，使用TensorRT进行部署可以使用以下命令： ```bash python trt.py --onnx <path-to-onnx-file> --engine <path-to-engine-file> --batch <batch-size> --fp16 ``` 其中，`<path-to-onnx-file>`是ONNX文件的路径、`<path-to-engine-file>`是TensorRT引擎文件的路径、`<batch-size>`是批量大小、`--fp16`参数表示使用半精度浮点数进行计算以提高性能。 4. 应用程序集成：将部署的模型集成到应用程序中，例如使用Python编写一个手势识别应用程序，可以使用以下代码加载模型并进行推理： ```python import torch import cv2 # 加载模型 model = torch.jit.load('<path-to-torch-script-file>') # 读取图像 img = cv2.imread('<path-to-image>') # 预处理图像 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (640, 480)) img = img.transpose((2, 0, 1)) / 255.0 img = torch.from_numpy(img).float().unsqueeze(0) # 进行推理 output = model(img) # 处理输出结果 # ... ``` 其中，`<path-to-torch-script-file>`是TorchScript文件的路径，`<path-to-image>`是要识别的图像的路径。在推理前需要对输入图像进行预处理，例如将图像转换为RGB格式、调整大小、转换为张量等。在推理后，需要对输出结果进行处理，例如解码检测框、计算置信度等。以上是将YoloV5模型部署为手势识别系统的基本步骤，具体实现可能因环境和需求而有所不同。