PyTorch加载预训练目标检测模型实现物体检测，同时将预训练模型转换为ONNX模型文件（过程详解）

已于 2024-08-18 08:47:04 修改
阅读量704 收藏 6
点赞数 19
分类专栏： Opencv pytorch 文章标签： pytorch 目标检测 目标跟踪 opencv 人工智能 深度学习 python
于 2024-08-16 20:33:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Keep_Trying_Go/article/details/141264876
版权
Opencv 同时被 2 个专栏收录
65 篇文章 24 订阅
订阅专栏
pytorch
21 篇文章 9 订阅
订阅专栏

B站视频讲解

GitHub源码

目标检测
PyTorch实现一个简单的图像分类（代码详细）
PyTorch 训练之后的网络模型.pth转.onnx文件并对图像进行预测
使用pytorch实现预训练模型迁移学习中的目标检测

本文主要是直接利用PyTorch官方提供的预训练目标检测模型对物体进行检测，在此之前使用pytorch实现预训练模型迁移学习中的目标检测 已经提及使用官方提供的预训练目标检测模型进行迁移训练自己的目标检测模型，这篇文章之所以再次提及主要是更加仔细的对其进行实现以及ONNX模型文件的转换，为后面目标检测模型在QT中基于OpenCV的使用打下基础。

1.直接加载预训练目标检测模型进行物体检测 

注：如果不进行ONNX模型文件的转换的话，ssdlite320_mobilenet_v3_large，ssd300_vgg16，fcos_resnet50_fpn 模型都是可以图像或者实时检测的，但是如果要转换为ONNX模型文件的话，其中ssdlite320_mobilenet_v3_large，ssd300_vgg16 会转换失败，会报以下错误（未解决）：因此，本文只对fcos_resnet50_fpn 模型转换为ONNX文件。

onnxruntime.capi.onnxruntime_pybind11_state.Fail: [ONNXRuntimeError] : 
1 : FAIL : Non-zero status code returned while running TopK node. Name:
'TopK_2830' Status Message: k argument [16] should not be greater than 
specified axis dim value [0]

关于这个问题的讨论：https://github.com/microsoft/onnxruntime/issues/12669

FCOS2020

FCOS2019

注：关于NMS算法读者直接在B站上搜索即可知道其原理（过滤掉重叠的框，根据指定的阈值iou_threshold，如果一个框和当前类别置信度最大的框重叠比例大于等于iou_threshold就丢弃该框，保留置信度最大的框）

2.加载ONNX目标检测模型进行物体检测

目标检测拓展
两款IP Camera+YOLOV3进行目标检测（手机摄像头作为电脑摄像头使用）
使用pytorch实现预训练模型迁移学习中的目标检测
使用MobileNet_SSD进行目标检测
Opencv实现目标检测
目标检测算法（开端）
图像分类，图像识别，目标检测之间的区别
基于darknet框架+yolov3训练自己的数据集
windows平台使用CMake工具对darknet的编译以及安装过程+yolov3+图像检测+摄像头检测+视频检测+手机作为摄像头进行检测（详解）
两款IP Camera+YOLOV3进行目标检测（手机摄像头作为电脑摄像头使用）
YOLO-V3实时检测实现（opencv+python实现）——改进——＞更加的易懂
YOLO-V3实时检测实现（opencv+python实现）

Keep_Trying_Go
关注
专栏目录
Pytorch模型转ONNX模型
u013250861的博客
08-10 477
目前官方支持加载ONNX模型并进行推理的深度学习框架有：Caffe2, PyTorch,MXNet，ML.NET，TensorRT和Microsoft CNTK，并且TensorFlow也非官方的支持ONNX。ONNX，全称： Open Neural Network Exchange（ONNX，开放神经网络交换），是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。ONNX模型可以看作是模型转化之间的中间模型，同时也是支持做推理的。一般来说，onnx的推理 速度要比pytorch快上一倍。..
AI 大模型部署到嵌入式原理与代码实战案例讲解
程序员光剑
06-01 1370
随着人工智能技术的快速发展，将AI模型部署到嵌入式设备上已成为一个热门的研究领域。这种部署方式不仅能够实现设备的智能化，还能够减少对云端服务的依赖，提高数据隐私性和系统响应速度。然而，由于嵌入式设备通常具有有限的计算资源、存储空间和能源供应，将复杂的AI模型部署到这些设备上面临着诸多挑战。本文将深入探讨AI模型部署到嵌入式系统的原理，并通过实际的代码案例来展示这一过程。权重剪枝：基于权重的重要性评估，移除不重要的连接或神经元。知识蒸馏：利用大模型（教师模型）的输出来训练小模型（学生模型）。
PyTorch：模型推理加速之onnx
皮皮blog
01-18 3490
Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。ONNX是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch, MXNet）可以采用相同格式存储模型数据并交互。ONNX的规范及代码主要由微软，亚马逊 ，Facebook 和 IBM 等公司共同开发，以开放源代码的方式托管在Github上。
模型部署——Pytorch模型转ONNX模型及测试转后ONNX模型（附代码）
qq_40280673的博客
03-31 1887
Pytorch模型转ONNX模型及测试转后ONNX模型
pytorch: 转onnx模型
傲笑风的博客
01-09 2966
onnx(Open Neural Network Exchange)主要用于部署，训练一般使用pytorch和tensorflow，等训练完成，我们需要模型转成onnx，用于部署在云或者边缘计算上。而为什么要要转成onnx模型呢，主要是因为onnx没有训练，只有推理，速度很快，而且目前大多数芯片都适配onnx模型，相当于一个通用莫模型，易部署，而且速度快。
pytorch 转onnx模型
weixin_64043217的博客
01-17 606
转模型
YOLOv5模型ONNX部署实战：OpenCV实现目标检测
[YOLOv5模型ONNX部署实战：OpenCV实现目标检测](https://img-blog.csdnimg.cn/img_convert/5f4d7b75baf3606d7f1a370a6a500860.png) # 1. YOLOv5模型简介** YOLOv5（You Only Look Once version 5）是一种先进的目标...
YOLOv8目标检测算法详解
最新发布
培根芝士的专栏
06-27 2687
YOLOv8是Ultralytics公司最新推出的Yolo系列目标检测算法，建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。它是实现目标检测、图像分割、姿态估计等任务的最佳选择之一。YOLOv8是一种基于深度学习的目标检测算法，其核心思想是将目标检测问题转化为一个回归问题，通过一次前向传播过程即可完成目标的位置和类别预测。它继承了YOLO系列算法的优点，如速度快、实时性好等，并在准确性和泛化能力上进行了进一步的提升。
【YOLOv5目标检测模型实战指南】：从原理到部署，一文详解
[【YOLOv5目标检测模型实战指南】：从原理到部署，一文详解](https://static.mianbaoban-assets.eet-china.com/xinyu-images/MBXY-CR-faeb065755ad7eba7a27420444e2688c.png) # 1. YOLOv5目标检测模型简介** YOLOv5...
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究（续）
qq_36130719的博客
04-22 504
4.1 YOLOv8算法原理在探讨YOLOv8算法的原理时，我们首先需要理解YOLO（You Only Look Once）系列算法的核心理念，即在单次前向传播过程中同时进行目标的定位和分类。这种一步到位的检测方式使得YOLO算法在速度和效率上有着显著的优势。YOLOv8作为这一系列中的最新迭代，不仅继承了前代YOLO算法的这些优点，而且在结构设计和性能上都有了显著的改进，从而进一步提升了检测的准确性和速度。
Pytorch模型转onnx模型实例
01-20
如下所示： import io import torch import torch.onnx from models.C3AEModel import PlainC3AENetCBAM device = torch.device(cuda:0 if torch.cuda.is_available() else cpu) def test(): model = PlainC3AENetCBAM() pthfile = r'/home/joy/Projects/models/emotion/PlainC3AENet.pth' loaded_model = torch.load
pytorch训练图像分类模型pth转ONNX并测试
10-29
1. 搭建自己的简单二分类网络，使用pytorch训练和测试； 2. 将pytorch训练的pth模型转换成ONNX，并编码测试； 3. 含训练和测试数据，含训练ok的pth模型和ONNX模型，含完整python和C++实现； 4. 使用方法：首先运行“TrainTestConvertOnnx.py”执行“训练数据读入、模型训练、模型测试、导出onnx”，再运行“TestOnnx.cpp”测试onnx（需要配置OpenCV）；
PyTorch与ONNX：跨平台模型互操作性
程序员光剑
01-28 1308
1.背景介绍 1. 背景介绍 深度学习框架和模型格式的互操作性是当今人工智能领域的一个重要话题。随着深度学习模型的复杂性和规模的增加，模型的训练和部署变得越来越复杂。因此，有必要研究如何实现跨平台模型互操作性，以提高模型的可移植性和可扩展性。 PyTorch 是一个流行的深度学习框架，由 Facebook 开发。它具有灵活的计算图和动态计算图，使得模型训练和推理变得简单而高效。然而，PyTo...
【ONNX】导出，载入PyTorch的ONNX模型并进行预测新手教程（Windows+Python+Pycharm+PyTorch+ONNX）
热门推荐
AItrust的博客
07-28 1万+
PyTorch是现在非常流行使用的深度学习框架，在我们日常学习过程中用到PyTorch的机会很多。尤其是在科研工作中，由于其使用便利，文档丰富而全面，构建一个实验非常迅速，所以选择使用PyTorch的人也非常多。但是在深度学习模型的应用层面，我们需要将模型在实际使用场景中进行部署，这时候用Python写的模型需要根据需求设置到不同的平台上进行调用，甚至是不同的编程语言去进行调用，这时候模型的转换会是一个非常大的问题。httpshttps//onnx.ai/...
【Python】Pytorch分类模型转onnx以及onnx模型推理
fengdu78的博客
06-12 3050
来源：https://zhuanlan.zhihu.com/p/159379768作者：龟壳（一）Pytorch分类模型转onnx 实验环境：Pytorch2.0 + Ubuntu20.041.Pytorch之保存加载模型1.1 当提到保存和加载模型时，有三个核心功能需要熟悉：1.torch.save：将序列化的对象保存到disk。这个函数使用Python的pickle实用程序进行序列化。使用这个...
Pytorch中的ONNX部署，你真的全部都了解了吗？
sinat_21250935的博客
01-04 2122
pytorch中ONNX的部署，你懂吗
pytorch框架--网络方面--onnx模型-转换-保存-加载-部署
雪剑封心
12-11 1906
模型.pth 转换为 .onnx # 首先正常加载模型model # 根据图像需求输入 dummy_input = torch.randn(1, 3, 224, 224) # 保存.onnx格式模型 torch.onnx._export(model, dummy_input, "cnn.onnx", verbose=True) 测试onnx模型是否可用 # 测试onnx模型，需安装onnx pip install onnx 测试代码： import onnx # 验证模型onnx格式 model =
Pytorch与Onnx的转换与推理
maohule的博客
10-18 1251
首先要强调的是，有两个版本的onnxruntime，一个叫onnxruntime，只能使用cpu推理，另一个叫onnxruntime-gpu，既可以使用gpu，也可以使用cpu。.pt表示pytorch的模型，.onnx表示onnx的模型,后缀名为.pt, .pth, .pkl的pytorch模型文件之间其实没有任何区别。有两种方式可用于保存/加载pytorch模型 1）文件中保存模型结构和权重参数 2）文件只保留模型权重.二、pytorch模型转ONNX模型。1、文件中保存模型结构和权重参数。
pytorch加载预训练模型方式
05-18
使用PyTorch加载预训练模型的方式有以下几种： 1. 使用PyTorch内置的预训练模型 PyTorch提供了许多内置的预训练模型，例如VGG、ResNet、Inception等。可以通过如下代码进行加载： ```python import torch import torchvision.models as models # 加载预训练模型 model = models.vgg16(pretrained=True) ``` 2. 加载已保存的预训练模型 如果已经有了预训练模型的权重文件，可以使用PyTorch的`load_state_dict()`方法进行加载： ```python import torch import torchvision.models as models # 定义模型 model = models.vgg16() # 加载权重文件 model.load_state_dict(torch.load('vgg16_weights.pth')) ``` 3. 加载外部的预训练模型 如果想要加载其他人发布的预训练模型，可以使用如下代码进行加载： ```python import torch # 加载预训练模型 model = torch.hub.load('pytorch/vision', 'resnet18') ``` 以上是三种常用的PyTorch加载预训练模型的方式。无论哪种方式，都需要注意模型的输入和输出格式以及是否需要进行微调。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值