安装 python 等环境,以及相关依赖库,然后克隆 YOLOv5 仓库的源码。
# 安装 anaconda 参考前面环境搭建教程,然后使用 conda 命令创建环境 conda create -n yolov5 python=3.9 conda activate yolov5
# 拉取最新的 yolov5(教程测试时是 v7.0),可以指定下版本分支
# git clone https://github.com/ultralytics/yolov5.git -b v7.0
git clone https://github.com/ultralytics/yolov5 cd yolov5
# 安装依赖库 pip install -r requirements.txt
# 进入 python 命令行,检测安装的环境
(yolov5) llh@anhao:~yolov5$ python Python 3.9.18 (main, Sep 11 2023, 13:41:44) [GCC 11.2.0] :: Anaconda, Inc. on linux
下载 yolov5s.pt,yolov5m.pt,yolov5l.pt,yolov5x.pt 权重文件,可以直接从 官网 获取。其中后面 n、s、m、l、x 表示网络的宽度和深度,最小的是 n,它速度最快、精度最低。
# 简单测试 # --source 指定测试数据,可以是图片或者视频等 # --weights 指定权重文件路径,可以是自己训练的,或者直接指定会默认拉取
(yolov5) llh@anhao:~/yolov5$ python3 detect.py --source ./data/images/ --weights yolov5s.pt
# 安装下 onnx 的环境 pip install -r requirements.txt onnx onnx-simplifier
# 指定权重文件 yolov5s.pt 或者自己训练的模型文件 best.pt,使用下面命令将导出 onnx 模型
python export.py --weights yolov5s.pt --include onnx
# 或者使用下面命令,导出 torchscript
python export.py --weights yolov5s.pt --include torchscript
使用 export.py 导出 onnx 模型:(yolov5) llh@anhao:~/yolov5$ python export.py --weights yolov5s.pt --include onnx
结果如下:到这里onnx模型就导出了
export: data=data/coco128.yaml, weights=['yolov5s.pt'], imgsz=[640, 640],␣ ,batch_size=1, device=cpu, half=False, inplace=False, keras=False, optimize=False, int8=False, per_tensor=False,␣ ,→dynamic=False, simplify=False, opset=17, verbose=False, workspace=4, nms=False, agnostic_nms=False, topk_per_ ,→class=100, topk_all=100, iou_thres=0.45, conf_thres=0.25, include=['onnx'] YOLOv5