yolov7 tensorrt模型加速部署【实战】

已于 2023-11-02 21:52:56 修改
阅读量1.7k 收藏 22
点赞数 3
分类专栏： TensorRT-Alpha YOLO高级篇 文章标签： 深度学习 目标检测 计算机视觉 windows linux
于 2023-01-25 09:42:45 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/m0_72734364/article/details/128759430
版权

ubuntu下yolov7 tensorrt模型部署

  • Yolov7是一款由英国萨里大学人工智能中心（AIMS）和Visual Geometry Group（VGG）联合开发的深度学习算法，旨在实现准确、高效和可靠的目标检测。以下是关于Yolov7的多方面介绍。
  • 首先，来介绍一下Yolov7的作者。Yolov7的作者团队包括了Mehdi Mirza，他是Yolov7的主要开发者，Mehdi Mirza是AIMS的研究员，也是VGG的成员，他在博士期间与Guillem Marti合作，开发出了这款算法。Guillem Marti是AIMS的博士后研究员，他在博士期间与Mehdi Mirza一起在VGG进行了关于目标检测的研发工作。Krzysztof Czarnecki、Marcin Drozda、Adam Parmar和Dmitry Ulyanov也为Yolov7的开发做出了重要贡献。
  • 与YOLOV1的关系： Yolov1的作者是Alexey Bochkovnikovs和Cheng-Zhi Anna Huang。Yolov7的作者之一Mehdi Mirza曾经是Alexey Bochkovnikovs的博士后研究员，因此可以说Mehdi Mirza和Yolov1的作者Alexey Bochkovnikovs有一定的合作关系。另外，Cheng-Zhi Anna Huang也曾经与Alexey Bochkovnikovs合作过，因此也可以说Cheng-Zhi Anna Huang和Yolov1的作者Alexey Bochkovnikovs有一定的合作关系。YOLO（You Only Look Once）是一种目标检测算法，它可以在一次前向传递中检测图像中的目标。YOLO的提出改变了目标检测领域的研究范式，具有高效性、准确性和实时性的优点。
  • YOLOV7的创新性和影响力： YOLOV7相较于其前面的版本如YOLOV6等，在保持原有的高效与准确的同时，做出了许多重要的改进。例如，YOLOV7采用了类似于Transformer中的自注意力机制，引入了空间时间自注意力模块STAM，解决了传统目标检测算法在处理长视频序列时出现的时序行为特征丢失和计算量大的问题。此外，YOLOV7还改进了锚定机制，提出了新颖的动态锚定机制DAM，有效解决了小目标、背景目标和多尺度目标等检测难题。
  • 在学术界，YOLOV7的影响力不可忽视。其创新性的方法和优秀的性能吸引了大量研究者的关注和研究。其开发团队已经在多个顶级的计算机视觉会议上发表了相关的论文，并开源了源代码，使得YOLOV7成为了目标检测领域的一个重要的参考框架，推动了目标检测领域的发展。

本文提供深度学习CV领域模型加速部署案例，仓库实现的cuda c支持多batch图像预处理、推理、decode、NMS。大部分模型转换流程为：torch->onnx->tensorrt。下图左边是yolov7-python源码推理结果，右边是本文基于tensorrt实现yolov7模型部署的推理结果。
有源码！有源码！有源码！ 不要慌，哈哈哈。
在这里插入图片描述

yolov7-tiny : Offical( left ) vs Ours( right )

一、Ubuntu18.04环境配置

如果您对tensorrt不是很熟悉，请务必保持下面库版本一致。
请注意: Linux系统安装以下库，务必去进入系统bios下，关闭安全启动(设置 secure boot 为 disable)

1.1 安装工具链和opencv

sudo apt-get update 
sudo apt-get install build-essential 
sudo apt-get install git
sudo apt-get install gdb
sudo apt-get install cmake

sudo apt-get install libopencv-dev  
# pkg-config --modversion opencv

1.2 安装Nvidia相关库

注：Nvidia相关网站需要注册账号。

1.2.1 安装Nvidia显卡驱动

ubuntu-drivers devices
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
sudo apt install nvidia-driver-470-server # for ubuntu18.04
nvidia-smi

1.2.2 安装 cuda11.3

  • 进入链接: https://developer.nvidia.com/cuda-toolkit-archive
  • 选择：CUDA Toolkit 11.3.0(April 2021)
  • 选择：[Linux] -> [x86_64] -> [Ubuntu] -> [18.04] -> [runfile(local)]

    在网页你能看到下面安装命令，我这里已经拷贝下来：
wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run
sudo sh cuda_11.3.0_465.19.01_linux.run

cuda的安装过程中，需要你在bash窗口手动作一些选择，这里选择如下：

  • select：[continue] -> [accept] -> 接着按下回车键取消Driver和465.19.01这个选项，如下图(it is important!) -> [Install]

    在这里插入图片描述
    bash窗口提示如下表示安装完成
#===========
#= Summary =
#===========

#Driver:   Not Selected
#Toolkit:  Installed in /usr/local/cuda-11.3/
#......

把cuda添加到环境变量：

vim ~/.bashrc

把下面拷贝到 .bashrc里面

# cuda v11.3
export PATH=/usr/local/cuda-11.3/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda-11.3

刷新环境变量和验证

source ~/.bashrc
nvcc -V

bash窗口打印如下信息表示cuda11.3安装正常

nvcc: NVIDIA (R) Cuda compiler driver<br>
Copyright (c) 2005-2021 NVIDIA Corporation<br>
Built on Sun_Mar_21_19:15:46_PDT_2021<br>
Cuda compilation tools, release 11.3, V11.3.58<br>
Build cuda_11.3.r11.3/compiler.29745058_0<br>

1.2.3 安装 cudnn8.2

  • 进入网站：https://developer.nvidia.com/rdp/cudnn-archive
  • 选择： Download cuDNN v8.2.0 (April 23rd, 2021), for CUDA 11.x
  • 选择： cuDNN Library for Linux (x86_64)
  • 你将会下载这个压缩包: “cudnn-11.3-linux-x64-v8.2.0.53.tgz”
# 解压
tar -zxvf cudnn-11.3-linux-x64-v8.2.0.53.tgz

将cudnn的头文件和lib拷贝到cuda11.3的安装目录下：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

1.2.4 下载 tensorrt8.4.2.4

本教程中，tensorrt只需要下载\、解压即可，不需要安装。

  • 进入网站： https://developer.nvidia.com/nvidia-tensorrt-8x-download
  • 把这个打勾： I Agree To the Terms of the NVIDIA TensorRT License Agreement
  • 选择: TensorRT 8.4 GA Update 1
  • 选择: TensorRT 8.4 GA Update 1 for Linux x86_64 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 TAR Package
  • 你将会下载这个压缩包: “TensorRT-8.4.2.4.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz”
# 解压
tar -zxvf TensorRT-8.4.2.4.Linux.x86_64-gnu.cuda-11.6.cudnn8.4.tar.gz
# 快速验证一下tensorrt+cuda+cudnn是否安装正常
cd TensorRT-8.4.2.4/samples/sampleMNIST
make
cd ../../bin/

导出tensorrt环境变量(it is important!)，注：将LD_LIBRARY_PATH:后面的路径换成你自己的！后续编译onnx模型的时候也需要执行下面第一行命令

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/xxx/temp/TensorRT-8.4.2.4/lib
./sample_mnist

bash窗口打印类似如下图的手写数字识别表明cuda+cudnn+tensorrt安装正常
在这里插入图片描述

1.2.5 下载仓库TensorRT-Alpha并设置

git clone https://github.com/FeiYull/tensorrt-alpha

设置您自己TensorRT根目录:

git clone https://github.com/FeiYull/tensorrt-alpha
cd tensorrt-alpha/cmake
vim common.cmake
# 在文件common.cmake中的第20行中，设置成你自己的目录，别和我设置一样的路径eg:
# set(TensorRT_ROOT /root/TensorRT-8.4.2.4)

二、从yolov7源码中导出onnx文件

可以直接从网盘下载onnx文件[weiyun]:weiyun or google driver ，你也可以自己下载仓库，然后按照下面指令手动导出onnx文件:
下载yolov7源码

git clone https://github.com/WongKinYiu/yolov7
git checkout  072f76c72c641c7a1ee482e39f604f6f8ef7ee92

安装 yolov7环境

pip install -r requirements.txt

用以下指令导出onnx模型文件

# 640
python export.py --weights yolov7-tiny.pt  --dynamic  --grid
python export.py --weights yolov7.pt  --dynamic  --grid
python export.py --weights yolov7x.pt  --dynamic  --grid
# 1280
python export.py --weights yolov7-w6.pt  --dynamic  --grid --img-size 1280

三、利用tensorrt编译onnx模型

将你的onnx模型放到这个路径:tensorrt-alpha/data/yolov7

cd tensorrt-alpha/data/yolov7
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/TensorRT-8.4.2.4/lib

编译onnx模型，会得到例如xxxx.trt格式的文件，下文推理要用到。

# 640
../../../../TensorRT-8.4.2.4/bin/trtexec    --onnx=yolov7-tiny.onnx  --saveEngine=yolov7-tiny.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec    --onnx=yolov7.onnx   	--saveEngine=yolov7.trt       --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec    --onnx=yolov7x.onnx   	--saveEngine=yolov7x.trt      --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
# 1280
../../../../TensorRT-8.4.2.4/bin/trtexec    --onnx=yolov7-w6.onnx    --saveEngine=yolov7-w6.trt    --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280

注：如果报错（Error Code 1: Cuda Runtime (an illegal memory access was encountered “bool context = m_context->executeV2((void**)bindings)” returns false）
可能是爆显存了，降低batch-size就行了

四、编译执行yolov7-tensorrt工程

下载源码并编译

git clone https://github.com/FeiYull/tensorrt-alpha
cd tensorrt-alpha/yolov7
mkdir build
cd build
cmake ..
make -j10
# note: the dstImage will be saved in tensorrt-alpha/yolov7/build by default

执行推理任务，支持图片、视频、摄像头

## 640
# infer image
./app_yolov7  --model=../../data/yolov7/yolov7-tiny.trt --size=640  --batch_size=1  --img=../../data/6406401.jpg  --show --savePath
./app_yolov7  --model=../../data/yolov7/yolov7-w6.trt   --size=1280 --batch_size=1  --img=../../data/6406401.jpg  --show --savePath=../

# infer video
./app_yolov7  --model=../../data/yolov7/yolov7-tiny.trt     --size=640 --batch_size=8  --video=../../data/people.mp4  --show 

# infer camera
./app_yolov7  --model=../../data/yolov7/yolov7-tiny.trt     --size=640 --batch_size=4  --cam_id=0  --show

在这里插入图片描述

五、结束语

都看到这里了，觉得可以请点赞收藏，有条件的去仓库点个star，仓库：https://github.com/FeiYull/tensorrt-alpha在这里插入图片描述在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

黄家驹beyond
关注
  • 3
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
跟踪算法部署-使用TensorRT加速YOLOv5+deepsort在Jetson-NX上的加速部署-超优质项目-附完整流程教程
01-18
跟踪算法部署_使用TensorRT加速YOLOv5+deepsort在Jetson_NX上的加速部署_项目实战_超优质项目_附完整流程教程
基于Nvidia Jetson orin nx的 YoloV7 tensorRt加速
apprentices的博客
11-14 877
Jetpack 是 Nvidia为系列开发板开发的一款软件开发包，常用的开发工具基本都包括了，并在在安装 Jetpack的时候，会自动的将匹配版本的CUDA、cuDNN、TensorRT等。官方提供套件中默认已经安装，可以通过以下命令查看jetPack是否已经安装。# 法一：需要已安装jtop# 法二：无需安装jtop。
Yolov7 环境搭建和训练自己的数据集
最新发布
m0_67559334的博客
03-26 582
拉取github上的yolov7，下载权重文件，将requriment.txt里的torch环境都注释掉。mydata下文件夹，只需要将照片存入images文件夹，xml文件存入xml文件夹。修改train、val、test文件路径，修改nc，修改类别为你的数据集的类别。进入pytorch官网，按照自身电脑配置选择版本命令。复制coco.yaml，修改为mycoco.yaml（什么命名都行）cd进入yolov7文件夹，开启终端，进入虚拟环境。修改文件路径，linux和win格式不一样，注意/和\的区别。
使用TensorRT对yolov7进行加速
Power392413的博客
08-13 4210
使用TensorRT对yolov7进行加速
YOLOv7 到 TensorRT 推理侦测(c++)
shuangshuangboole的博客
05-16 566
其中 ONNX 格式的导出和运行设备无关，可以在自己的电脑上导出，其他设备上使用。而第四步转化得到的 TensorRT 模型文件是和设备绑定的，在哪个设备上生成就只能在该设备使用。配置好import_lib.cpp中的opencv_world470d.lib。5. 并将如下所有的包放到C:\Windows\System32下。
行为识别系统 (二) --- TensoRT加速YOLOv7
围白的尾巴
10-05 2358
上篇文章介绍组建了行为识别的大体框架，主要内容是将yolov7工程实例化。行为识别系统设计很多算法，这样对于硬件的要求会大大提升，且降低检测速度。为了有更好的实时性，本文将介绍官方提供的TensoRT加速方案，并且将其实例化用于行为识别系统。
Yolov7模型训练与部署
千人斩的博客
10-06 8986
在工业上使用较多的基于深度学习从目标检测算法，那毫无疑问应该是yolo，凭借这效率和精度方面的优势，在一众深度学习目标检测算法中脱颖而出。
yolov7模型部署——环境搭建(python 导出onnx模型，c# OnnxRunTime-GPU版调用) 踩坑记录
热门推荐
qing2019的博客
11-04 1万+
yolov7模型部署(python 导出onnx模型，c# OnnxRunTime-GPU版调用) 踩坑记录
如何用TensorRT部署YOLOv7
DeepDriving
12-07 1916
本文将介绍如何用TensorRT的C++接口部署YOLOv7目标检测模型，并在两种显卡上测试了各个模型的性能。
Yolov7的tensorRT部署与使用
M16_A2E3的博客
03-06 2048
TensorRT的C++部署
手把手教程 | 如何用TensorRT部署YOLOv7
CV_Autobot的博客
12-08 1749
作者|一天到晚潜水的鱼 编辑|汽车人点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【模型部署】技术交流群后台回复【模型部署工程】获取基于TensorRT的分类、检测任务的部署源码！前言YOLOv7已经出来一段时间了，之前一直没有时间去看。最近抽空学习了一下，不禁感慨一下，现在的YOLO系列目标检测算法真是卷成麻花了，各种算法层出不穷，让人目不暇接...
深度学习-TensorRT模型部署实战视频课程
09-07
分享课程——深度学习-TensorRT模型部署实战，2022年4月新课，完整版视频教程下载，附代码、课件。 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。
深度学习-TensorRT模型部署实战
06-16
本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。
深度学习-TensorRT模型部署实战2022
04-11
分享课程——《深度学习-TensorRT模型部署实战》，2022年4月新课，提供代码和课件下载！ 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。
YOLOv5实战+TensorRT部署+VS2019编译[全部软件下载]
08-30
使用TensorRT来加速部署YOLOv5项目，此文档中包含全部 软件及依赖库 在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 7.6.5 , VS2019 , OpenCV 3.4.0 , Anaconda3 , CMake 3.19.4 , TensorRT 7 ...
模型自动压缩工具实战：YOLOv7模型缩小75%，部署加速163%！
PaddlePaddle
08-16 2451
众所周知，YOLO系列算法在检测场景中获得了广泛应用，但是工程师追求“更准、更小、更快”的效率能力永无止境。本文为大家介绍一个低成本、高收益的AI模型自动压缩工具（ACT, Auto Compression Toolkit），在YOLO系列模型上利用基于知识蒸馏的量化训练方法，无需修改训练源代码，通过几十分钟量化训练，即可获得非常好的收益。举例来看：该方法在YOLOv7上模型体积降低75%，GPU...
win10下yolov7 tensorrt模型部署
整理ing
10-19 1112
win10下，yolov7 tensorrt模型部署
Transformer部署难？TensorRT实战YOLOv7+Transformer的部署
CV_Autobot的博客
06-21 1176
作者|林大佬 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/487877753点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【模型部署】技术交流群最近有大佬开源了YOLOv7, 大概看了一眼， 支持DETR等模型的ONNX导出，并且可以进行tensorrt推理。但是原作者并没有开源对应的权重，也没有开源onnx推...
使用YOLOv7进行Transformer检测模型的TensorRT部署
jinfagang1211的博客
04-23 9457
最近有大佬开源了YOLOv7, 大概看了一眼， 支持DETR等模型的ONNX导出，并且可以进行tensorrt推理。但是原作者并没有开源对应的权重，也没有开源onnx推理的脚本。本文就依托YOLOv7这个项目，将DETR导出到onnx,并教大家如何使用这个onnx进行tensorrt的部署。 首先clone一下原项目： https://github.com/jinfagang/yolov7 DETR 权重推理验证 原来的项目其实也支持AnchorDETR,这个我没有测试，但是
ubuntu18.04 pytorch yolov5
07-21
### 回答1： Ubuntu 18.04是一种操作系统，而PyTorch是一个开源的深度学习框架，而YoloV5是一个基于PyTorch实现的目标检测算法。 在Ubuntu 18.04上安装PyTorch和YoloV5可以通过以下步骤完成： 1. 安装Python：Ubuntu自带Python，可以通过终端命令检查当前安装的Python版本。确保工作环境中已经安装了Python3。 2. 安装PyTorch：可以通过官方网站提供的命令进行安装，比如使用pip命令：`pip3 install torch torchvision`。 3. 克隆YoloV5仓库：在终端中执行以下命令克隆YoloV5的GitHub仓库：`git clone https://github.com/ultralytics/yolov5.git`。 4. 安装依赖项：进入克隆下来的YoloV5文件夹，运行`pip3 install -r requirements.txt`命令安装YoloV5所需的依赖项。 5. 下载预训练模型：YoloV5需要一个预训练的权重文件。可以通过运行`python3 models/export.py --weights yolov5s.pt`命令来下载预训练模型。 6. 运行目标检测：在YoloV5的文件夹中，可以使用命令`python3 detect.py --source your_image.jpg`来对一张图像进行目标检测。将`your_image.jpg`替换为实际的图像文件路径即可。 通过以上步骤，你就可以在Ubuntu 18.04上使用PyTorch和YoloV5进行目标检测了。当然，还可以进一步学习和探索YoloV5的其他功能和用法，以满足更多的需求。 ### 回答2： Ubuntu 18.04是一种操作系统，而pytorch和yolov5是两个在Ubuntu 18.04上可以使用的工具。 Ubuntu 18.04是一个基于Linux的开源操作系统，它提供了稳定性和安全性，并且拥有广泛的软件支持。它适合用于各种计算机任务，包括机器学习和深度学习。 PyTorch是一个非常流行的用于构建深度学习模型的Python库。它提供了丰富的工具和函数，使得开发人员可以更轻松地创建、训练和评估模型。PyTorch在Ubuntu 18.04上可以通过包管理器进行安装，也可以通过源代码进行安装。 YOLOv5是一个基于深度学习的实时目标检测算法。它使用了PyTorch作为后端，可以用于检测图像和视频中的多个对象，并输出它们的位置和类别。YOLOv5可以在Ubuntu 18.04上使用PyTorch进行安装和运行。 要在Ubuntu 18.04上使用PyTorch和YOLOv5，首先需要安装Python环境和PyTorch库。可以使用pip命令安装PyTorch，具体的安装步骤可以在PyTorch官方网站上找到。 安装完成后，需要下载YOLOv5的源代码并进行配置。可以从YOLOv5的GitHub页面上获取源代码，并按照说明进行设置。然后，可以使用PyTorch加载已经训练好的YOLOv5模型，并用它来对图像或视频进行目标检测。 总结来说，在Ubuntu 18.04上使用PyTorch和YOLOv5进行目标检测，需要先安装PyTorch和配置YOLOv5的源代码。然后，可以使用PyTorch加载模型进行目标检测。这样就可以在Ubuntu 18.04上使用PyTorch和YOLOv5进行目标检测了。 ### 回答3： Ubuntu 18.04是一个主流的Linux操作系统，而PyTorch是一个开源的深度学习框架，Yolov5是一种目标检测算法的版本。现在我来回答关于Ubuntu 18.04上安装PyTorch Yolov5的问题。 首先，要在Ubuntu 18.04上安装PyTorch，你可以通过使用pip包管理器来完成。你可以打开终端，并运行以下命令来安装最新版本的PyTorch： ``` pip install torch torchvision ``` 接下来，下载Yolov5的源代码。你可以在GitHub上找到官方仓库（https://github.com/ultralytics/yolov5），并将其克隆到你的机器上： ``` git clone https://github.com/ultralytics/yolov5.git ``` 然后，进入yolov5文件夹，并安装所需的依赖项： ``` cd yolov5 pip install -r requirements.txt ``` 安装完成后，你可以使用已经训练好的权重文件来测试Yolov5的性能，或者你也可以使用自己的数据训练一个新的模型。如果你有自己的数据集，你需要将它们准备好，并编辑相应的配置文件。 最后，你可以使用以下命令运行Yolov5检测： ``` python detect.py --source path/to/image/or/video ``` 这将会运行Yolov5算法，并对指定路径的图像或视频进行目标检测。 总结起来，安装PyTorch Yolov5需要在Ubuntu 18.04上安装PyTorch和YOLOv5源代码，并进行相应的配置和数据准备工作，然后就可以使用Python命令来运行目标检测了。

“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

打赏作者

黄家驹beyond

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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