yolo7的模型转换权重pt文件转onnx

 环境配置

Ubuntu22.04 系统

yolov7训练标注的数据集，生成best.pt模型权重

labelImg软件：用来标注数据集

cuda11.8 Python3.8

需要配置yolov5或yolov7环境的，请点击以下链接：

Ubuntu20.04配置深度学习环境yolov5最简流程

一、为什么要转换生成的模型文件
用Pytorch生成的.pt模型需要先将将模型转换成onnx模型（.onnx）之后再通过onnx模型转化成ncnn模型（.bin .param）才能部署在手机端（安卓、IOS）

移动端的部署有这么几条路：

1. pt文件 --> onnx文件/torchscript文件 --> ncnn --> 安卓端部署（android studio编写）

2. pt文件 --> onnx文件/torchscript文件 --> ML文件 --> ios端部署（mac系统运行xcode编写）

3. pt文件 --> onnx文件 /torchscript文件/wts文件–> openvino/tensorrt 等部署平台 --> 树莓派/jetson部署（最好在linux环境下）

二、开始安装
安装依赖库
第一步在yolov5-master下进入终端：

1. 激活你的yolo环境

conda activate yolo7

pip3 install -r requirements.txt onnx -i https://pypi.douban.com/simple

2.导出 onnx
 

python export.py --weights ./best.pt --grid --end2end --simplify --topk-all 100 --iou-thres 0.65 --conf-thres 0.35 --img-size 640 640 --max-wh 640

在best.pt 的同级目录生成了 best.onnx、pt 和 .ptl三个文件

在best.pt 的同级目录生成了 best.onnx、best.mlmodel 和 best.torchscript.pt三个文件。

可以使用netron查看best.onnx网络模型结构。

三、在终端运行

pip install netron -i https://pypi.douban.com/simple

python

import netron

netron.start('best.onnx')

3.用onnx-simplifer 简化模型
python -m onnxsim best.onnx best-sim.onnx
 

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

--weights:初始权重
    --cfg:模型配置文件
    --data:数据配置文件
    --hyp:学习率等超参数文件
    --epochs:迭代次数
    -imgsz：图像大小
    --rect：长方形训练策略，不resize成正方形,使用灰条进行图片填充,防止图片失真
    --resume:恢复最近的培训,从last.pt开始
    --nosave:只保存最后的检查点
    --noval：仅在最后一次epochs进行验证
    --noautoanchor：禁用AutoAnchor
    --noplots：不保存打印文件
    --evolve：为x个epochs进化超参数
    --bucket:上传操作,这个参数是 yolov5 作者将一些东西放在谷歌云盘，可以进行下载
    --cache:在ram或硬盘中缓存数据
    --image-weights:测试过程中，图像的那些测试地方不太好，对这些不太好的地方加权重
    --single-cls：单类别标签置0 
    --device：gpu设置  
    --multi-scale:改变img大小+/-50%,能够被32整除
    --optimizer:学习率优化器
    --sync-bn：使用SyncBatchNorm，仅在DDP模式中支持，跨gpu时使用
    --workers:最大 dataloader 的线程数 (per RANK in DDP mode)
    --project：保存文件的地址
    --name：保存日志文件的名称
    --exist-ok:对项目名字是否进行覆盖
    --quad:在dataloader时采用什么样的方式读取我们的数据,1280的大图像可以指定
    --cos-lr:余弦学习率调度
    --label-smoothing：
    --patience：经过多少个epoch损失不再下降，就停止迭代
    --freeze：迁移学习，冻结训练
    --save-period：每x个周期保存一个检查点（如果＜1，则禁用）
    --seed：随机种子
    --local_rank：gpu编号
    --entity:可视化访问信息