PC端运行yolov5官方demo:onnx文件转rknn并仿真

官方demo路径

首先,修改config的参数加上

target_platform = 'rv1126'

 然后

init_runtime(target='rv1126', device_id='xxx')

注意,我的另外修改是这样

rknn.load_onnx(model=ONNX_MODEL, outputs=['output', '317', '337'])#,outputs=['396', '458', '520']

 还有

    input_data.append(np.transpose(input0_data, (1,2,0,3)))
    input_data.append(np.transpose(input1_data, (1,2,0,3)))
    input_data.append(np.transpose(input2_data, (1,2,0,3)))

查看输出

print(input0_data.shape)
print(input1_data.shape)
print(input2_data.shape)

根据输出修改,比如我的是

(1, 3, 80, 80, 6)
(1, 3, 40, 40, 6)
(1, 3, 20, 20, 6)

将(2,3,0,1)修改为(1,2,0,3)

就可以得到正常输出,我的模型文件训练的时候就是识别车辆,所以效果是这样。

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
ONNX Runtime是一个开源的跨平台推理引擎,可以在常见的硬件设备上运行机器学习模型。YOLOv5是一个目标检测模型,可以实现实时的物体检测。 使用ONNX Runtime运行YOLOv5 Demo的步骤如下: 1. 在计算机上安装ONNX Runtime库。可以在官方网站上找到ONNX Runtime的安装指南。 2. 下载YOLOv5的预训练模型。YOLOv5的作者提供了训练好的模型权重文件,可以在GitHub上找到相关资源。 3. 将YOLOv5的预训练模型换为ONNX格式。可以使用官方提供的脚本将模型从PyTorch格式换为ONNX格式。 4. 使用ONNX Runtime加载换后的YOLOv5模型。可以使用ONNX Runtime的Python API加载模型文件。 5. 对输入图像进行预处理。YOLOv5模型要求输入图像是特定大小的张量,需要根据需要对图像进行缩放、裁剪或者填充等处理。 6. 使用ONNX Runtime进行推理。将预处理后的图像作为输入传入模型,使用ONNX Runtime进行推理,并获取输出结果。 7. 对输出结果进行后处理。YOLOv5模型的输出是边界框和类别预测结果,可以根据需要进行边界框解码、非极大值抑制等处理,以得到最终的检测结果。 8. 显示检测结果。可以使用图形界面库或图像处理库将检测结果可视化,以便查看。 通过以上步骤,我们可以使用ONNX Runtime运行YOLOv5 Demo,并实现实时的目标检测功能。这种方法的好处是,ONNX Runtime具有高性能和跨平台的优势,可以在不同的硬件设备上运行模型,为部署和应用提供了便利。

“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 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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