Yolov5-pytorch模型迁移移动端

已于 2024-03-12 10:19:19 修改
阅读量366 收藏 1
点赞数 1
分类专栏： Deep Learning 文章标签： yolov5 pytorch ncnn
于 2021-03-30 11:07:03 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/baidu_33512336/article/details/115319036
版权

前言

标题所指移动端主要是Android。流程是pt->onnx->ncnn->(param,bin)

环境

win10x64+pyCharm+Pytorch+Yolov5

步骤

1.运行Yolov5导出程序export.py，修改为自己的路径

执行后会在文件夹中产生

2.执行以下代码，进行模型冗余度简化，本文采用Pycharm中的Terminal，cd到对应文件中执行以下命令

python -m onnxsim best.onnx best-sim.onnx

执行后产生best-sim.onnx文件

3.onnx转换

此步骤较为重要，必须在best-sim.onnx中包含的文件内含有ncnnoptimize.exe、onnx2ncnn.exe两个可执行文件，具体做法可以参考  编译ncnn-Win10-v

了解本专栏 订阅专栏 解锁全文 超级会员免费看
何33512336
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
YOLOv5_NCNN:NC在手机上部署NCNN。支持Android和iOS。移动端NCNN部署，支持Android与iOS
03-18
:rocket:如果有帮助，请单击星号！ :star: Ncnn在移动设备上的部署，支持：相机上的YOLOv5s，YOLOv4-tiny，MobileNetV2-YOLOv3-nano，简单姿势，Yolact，ChineseOCR-lite，ENet，Landmark106，DBFace，MBNv2-FCN和MBNv3-Seg-small。 iOS： Xcode 11.5 macOS 10.15.4 iPhone 6sp 13.5.1 安卓： Android Studio 4.0 Win10 1909年 魅族16x 8.1.0（CPU：高通710 GPU：Adreno 616） Android已添加了权限请求，但如果仍然崩溃，请手动确认是否允许相关权限。 的iOS Select the model to be tested directly on the interface. 安卓 Selec
yolov5预训练模型.zip
08-04
此文件是yolov5的预先训练模型（包含yolov5s.pt、yolov5x.pt、yolov5l.pt），可以直接用来进行迁移学习、检测和测试，更新日期为2020年8月4日。验证8月4日github上面代码可以直接训练。
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)
最新发布
qq_58135699的博客
03-19 796
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。
YOLOV5s+Shufflenetv2+VOC数据集+迁移学习
EverdayForCode的博客
02-26 1604
运行YOLOv5
使用冻结层进行迁移学习
m0_67388791的博客
03-02 2576
使用冻结层进行迁移学习
Yolov5 冻结网络层进行迁移学习
qq_41894451的博客
10-19 4859
与正常训练相比，这需要更少的资源，并允许更快的训练时间，尽管它也可能导致最终训练的准确性降低。为了冻结除检测（）中最终输出卷积层之外的完整模型，我们将冻结列表设置为包含名称中带有“model.0.” - “model.23.”的所有模块，然后开始训练。有趣的是，冻结的模块越多，训练所需的GPU内存就越少，GPU利用率也就越低。因此，我们将冻结列表定义为包含名称中带有“model.0.” - “model.9.”的所有模块，然后我们开始训练。结果表明，冻结可以加快训练速度，但会略微降低最终准确性。
PyTorch模型转为ncnn
wangmou211的博客
08-09 1261
PyTorch模型转为ncnn 参考链接：https://blog.csdn.net/weixin_43541325/article/details/117421050 1. 安装onnx, pip install --upgrade onnx onnxruntime 2. 导出onnx模型 以torchvision自带的resnent18为例, 将PyTorch的模型导出为onnx的格式。 import torch import torchvision # An instance of your mo
YOLOv4-pytorch 版源代码
06-25
YOLOv4-pytorch 版源代码
YOLO3D-YOLOv4-PyTorch:YOLO3D
04-12
YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, ...
Complex-YOLOv4-Pytorch:本文基于YOLOv4的PyTorch实现
03-18
本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX ...
yolov4-pytorch-master_识别_
10-01
使用python的编程，yolov4进行识别的框架
MaskDetect-YOLOv4-PyTorch-master
06-23
给MaskDetect-YOLOv4-PyTorch-master加了一个通过Camera检测口罩，整体来说还可以，这么小的数据集得到这个准确率。
YOLOV训练---------------答疑解惑
m0_69023493的博客
05-04 1298
你已经训练了一个YOLOv5模型来检测汽车，而现在想要在新的数据集上检测动物，那么你可以使用新的标签，如"dog"、"cat"、"horse"等，这些标签与汽车的标签有所不同，但是它们在形状和大小等方面与汽车具有一些相似性，可以帮助新模型更好地学习和预测。当你使用一个已经训练好的模型作为起点来训练一个新的模型时，可以在新的训练数据集上使用不同的标签。持续更新---------------------------------------------------------
目标检测 | YOLOv5 训练自标注数据集实现深度学习
ttrr27的博客
01-06 2434
Hi，大家好，我是源于花海。本文主要了解YOLOv5 训练自标注数据集（自行车和摩托车两种图像）进行目标检测，实现深度学习。YOLOv5 是一个非常流行的图像识别框架，这里介绍一下使用 YOLOv5 给自己的使用 Labelme 标注的数据集进行训练和测试。
YOLOV5之backbone介绍与迁移使用
qq_45752541的博客
09-17 6707
yolov5的特征提取网络：将PAN与PFN深度融合，对不同尺度鲁棒性强，可以即插即用，后接不同的检测器。
pytorch训练模型移植至ncnn
u013548568的博客
09-29 1023
pytorch训练模型移植至ncnn 第一步是pytorch模型往caffe模型的转换 采用的工具是网路公开的代码，https://github.com/xxradon/PytorchToCaffe，此时会生成prototxt和caffemodel两个新文件。 第二部是往ncnn迁移 ncnn安装 https://github.com/Tencent/ncnn/wiki/how-to-build#build-for-linux-x86 安装好之后，进行相应的转换 1）首先，上一步生成的mobile
利用yolov5中的export.py文件导出onnx文件报错：export.py: error: unrecognized arguments: --train
basktball_poet的博客
03-18 3994
利用yolov5中的export.py文件导出onnx文件报错：export.py: error: unrecognized arguments: --train
yolov5实践教程 | 关于在yolov5上验证一些不成熟的想法
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-04 2007
yolov5实践教程 | 关于在yolov5上验证一些不成熟的想法，于是做了两件事：一是把基于mxnet的训练代码迁移到pytorch上，二是在yolov5的代码基础上验证了一些关于目标检测的想法。
yolov5-pytorch模型部署
06-28
### 回答1： yolov5-pytorch模型部署可以通过以下步骤实现： 1. 安装必要的依赖库，如pytorch、numpy、opencv等。 2. 下载yolov5-pytorch模型，并将其加载到内存中。 3. 准备待检测的图像或视频数据。 4. 对待检测的数据进行预处理，如缩放、归一化等。 5. 将预处理后的数据输入到yolov5模型中进行检测。 6. 解析检测结果，并将其可视化或保存到文件中。 7. 可以将部署好的模型封装成API接口，供其他应用程序调用。 需要注意的是，模型部署的具体实现方式可能因应用场景而异，例如在嵌入式设备上部署时可能需要进行模型压缩和量化等操作。 ### 回答2： yolov5-pytorch是一种目标检测算法，能够在图像中检测到人、车、建筑等物体，因此在工业生产、医学影像、智能交通等领域得到了广泛的使用。在应用场景中，通常需要将yolov5-pytorch模型部署在服务器上，以便实现实时检测与处理的需求。 要部署yolov5-pytorch模型，需要以下步骤： 1. 准备工作 - 安装pytorch和opencv等依赖库； - 下载yolov5-pytorch源码； - 准备训练集并训练模型。 2. 模型测试 对于训练好的模型，需要进行测试以验证其性能。 - 使用测试集或者视频等数据进行测试； - 可以使用官方提供的test.py或者自定义脚本进行测试； - 统计模型的 AP、F1 score、precision等数据，并分析模型性能和精度。 3. 模型部署 - 可以使用flask等框架进行部署； - 按照官方提供的推理代码进行部署； - 必要时进行模型量化、裁剪等优化操作，以减小模型大小和加速推理速度； - 针对不同的应用场景，可以构建不同的数据预处理和后处理流程，提高模型的优化和性能。 总之，对于yolov5-pytorch模型部署来说，关键是理解原理和基本操作，并结合实际应用场景进行优化和测试。只有在实践中不断探索和改进，才能够实现高效、精确的目标检测应用。 ### 回答3： YOLOv5是最近比较火的目标检测模型，其结构简单，速度快，准确率高，因此得到了广泛的应用。在生产环境中，我们需要将YOLOv5模型部署到特定的硬件设备上，以便快速地对图像或视频流进行实时的目标检测和识别。本文将介绍如何将YOLOv5模型部署到Pytorch环境中。 1. 准备工作 在开始部署模型之前，我们需要做一些准备工作： - 安装Pytorch和torchvision - 下载YOLOv5源代码 - 下载预训练权重文件 2. 模型转换 我们需要将YOLOv5的模型转换成适合部署的格式。YOLOv5的模型结构采用Pytorch实现，我们需要将其转换为ONNX格式，以便部署到不同的硬件设备上。通过执行以下命令可以将模型转换为ONNX格式： python models/export.py --weights yolov5s.pt --img 640 --batch 1 3. 部署模型 将生成的ONNX模型导入到Pytorch环境中，并使用特定的库将其部署到硬件设备上。部署的目标设备可能有所不同，例如，我们可以将模型部署到树莓派、Jetson Nano等低功耗嵌入式设备，也可以将其部署到高端GPU服务器中，以实现更快速的目标检测。 在部署模型时，我们需要使用特定的库和API，例如TensorRT、OpenVino等。这些库可以提高模型在不同硬件设备上的性能和速度。 4. 测试模型 部署模型后，我们需要对其进行测试。我们可以使用现有的数据进行测试，也可以使用摄像头或者图像流实时进行目标检测。我们需要对检测结果进行验证，包括检测结果是否准确、检测速度是否满足要求等。 5. 优化模型 在部署模型时，我们也需要考虑优化模型以提高其性能和速度。优化模型的方法包括： - 模型剪枝和量化 - 使用特定的库和API - 模型硬件加速 总结 通过以上步骤，我们可以将YOLOv5模型部署到Pytorch环境中，并实现高效的目标检测。随着硬件设备的不断升级和优化，我们可以不断地探索如何优化模型以适应更多的应用场景，提高模型的性能和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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