python onnx模型测试1（在图像中做出bounding boxs并按要求格式输出bounding boxs和scores）

最新推荐文章于 2023-10-08 17:08:56 发布
最新推荐文章于 2023-10-08 17:08:56 发布
阅读量365 收藏
点赞数 1
分类专栏： python 文章标签： python
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/qq_36731217/article/details/118302657
版权
这篇博客介绍了如何使用Python进行ONNX模型测试，特别是在图像上生成bounding boxes，并按照指定格式输出boxes和对应的scores。
摘要由CSDN通过智能技术生成

数据格式为：
[
{
“image_path”:
“results”: [
[
],
[
],
]
},
{
…
},
…
]

if__name__ == '__main__'
	data = []
	data1 = dict()
	detector = FaceDetectInPedestrian(R'')
	for root,dirs,files in os.walk(R''):
		for file in files:
			data1 = {
   }
			file_name = os.path.join(root,file)
			img = cv2.
最低0.47元/天 解锁文章
CesareSwift
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
onnx 测试_Onnx模型推理（Python）,onnx,python
weixin_39858275的博客
12-29 947
# -*-coding: utf-8 -*-import os, syssys.path.append(os.getcwd())import onnxruntimeimport onnxclass ONNXModel():def __init__(self, onnx_path):""":param onnx_path:"""self.onnx_session = onnxruntime.Infe...
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）；
python 调用onnx,验证测试模型输出
chenran187906的博客
06-29 2561
实验
基于yolov5的onnx精度测试[附代码]
z240626191s的博客
10-08 1403
我们在训练好自己的yolov5模型后,需要对模型进行部署,大多是将torch转为onnx格式进行使用.但在部署之前需要对转的onnx模型进行精度上的测试,,如果不一致或差距较大还需要进一步的调整.将会在你的项目中生成对应的onnx模型.可以通过Netron对onnx模型进行可视化.如果你不想下载Netron,可以访问网页版的我这里将提供三种方式来测试转化后的onnx精度.
Python-ONNXModelZoo是ONNX格式的预训练最先进的深度模型集合
08-11
ONNX Model Zoo是ONNX格式的预训练，最先进的深度模型集合
bounding box回归.zip
04-17
# bounding box regression， 边框回归 -------------------------- # 第1步： 生成数据集， data_x : 1000*100*100*1， data_y： 1000*4 # 第2步： 定义IOU损失 # 第3步： CNN，边框回归，测试
bevy_mod_bounding:用于在Bevy中生成边界框的非官方插件
03-10
Bevy的边界框生成 用于生成边界框的非官方插件。 状态 状态 边界体积 :check_mark_button: 界球 :check_mark_button: 轴对齐边界框 :check_mark_button: ...cargo run --example demo --features= " ex
bounding-box-augmentation:用于对象检测的增强数据集（图像和注释）
05-04
边界框增强用边界框增强图像的示例。 该代码基于 。 增强注释格式仅适用于Pascal VOC。... pipenv run python augment.py增强的图像和注释在output/中生成。 如果图像中没有边界框，则注释文件（ *.xml ）移至empty/ 。
基于YOLOV5算法的模型，可在图像上检测狗和猫
最新发布
05-24
这意味着模型已经被优化，能够在图像中准确地识别出狗和猫的位置，并给出相应的置信度分数。这对于宠物识别、动物行为分析、宠物追踪等领域有着广泛的应用前景。 模型的训练通常包括以下步骤： 1. 数据准备：收集...
yolov8（detect、seg、obb等）通过opencv或onnxruntime在cpp上部署
05-11
这个模型可以处理多种任务，包括对象检测（detect）、语义分割（seg）和oriented bounding box（obb）预测，这使得它在实时应用中特别有用。在本项目中，我们将探讨如何将YOLOv8模型部署到C++环境中，利用OpenCV和...
pyonnx-example:使用python实现基于onnxruntime的一些模型推断
03-12
例子 介绍 使用python实现基于onnxruntime推理框架的深度学习模型的推理功能。 可以将onnx模型转换为大多数主流的深度学习推理框架模型，因此您可以在部署模型之前测试onnx模型是否正确。 注意：此处的模型由pytorch 1.6训练，并由onnx 1.8.1转换 要求 onnx == 1.8.1 onnxruntime == 1.7.0或onnxruntime-gpu == 1.3.0 opencv-python == 4.2.0.32 运行演示 该演示以main_xxx_.py格式命名。您可以使用以下示例运行代码。 python main_pose_.py --det_model_path weights/yolov5s.onnx \ --pose_model_path data/det/zidane.jpg \ -
ONNX：轻量级人脸检测模型
03-10
ONNX：轻量级人脸检测模型
onnx模型部署 python_onnx模型推理(python)
weixin_39590566的博客
12-15 1490
onnx模型推理(python)以下ONNX一个检测模型的推理过程,其他模型稍微修改即可# -*-coding: utf-8 -*-import os, syssys.path.append(os.getcwd())import onnxruntimeimport onnxclass ONNXModel():def __init__(self, onnx_path):""":param onnx_...
onnx模型测试代码
qq_37408085的博客
11-23 1837
import io import torch import torch.onnx from model import resnet34 import onnx import onnxruntime import numpy as np from PIL import Image from torchvision import transforms,datasets import os class_names = ['empty-run', 'have','empty-stop'] #这个顺序很重要，.
【pytorch】onnx
JNing
09-22 408
pytorch任意形式的model（.t7、.pth等等）转.onnx全都可以采用固定格式： model_dir = './' pth_path = model_dir + 'A.pth' onnx_path = model_dir + 'A.onnx' batch_size = 1 input_shape = (3, 112, 112) cfg = Config() cfg.load_from_file(args.model_cfg_file) model = PFLD_SE3_eval(cfg.mo
Python+Yolov8+ONNX实时缺陷目标检测
氮气蜗牛的博客
05-29 1558
Python+Yolov8+ONNX实时缺陷目标检测
python onnx模型测试2（在图像中做出bounding boxs并按要求格式输出bounding boxs和scores）
qq_36731217的博客
06-28 262
github上面scrfd模型修改其中部分代码输出1中要求的json文件，与1中模型差别在于模型输出的bounding boxs未作规划 if__name__ == '__main__': data = [] wname = 'data.json' detector = SCRFD(model_file = R'') detector.prepare(-1) for image_path in Path(R'') data1 = {} data1["image_path"] = str(i
onnx 测试_ONNX简介
weixin_39760434的博客
12-19 177
简介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...
python-通过目标检测模型获取的boxes信息裁剪图像（8个点坐标信息）
秀呀秀的博客
04-17 1667
from PIL import Image import os import cv2 import time import numpy as np save_img_path='result_tflite/' img_path="C:/Users/DELL/Desktop/20210416/" def shot(img,img_name,boxes):#应用于predict_det.py中,通过dt_boxes中获得的四个坐标点,裁剪出图像 index=0 img_resized=im.
python中df_bounding_boxes.iloc[i][1:].tolist()
05-31
在 Python 中，`df_bounding_boxes.iloc[i][1:].tolist()` 是针对 Pandas DataFrame 对象的一种操作。假设 `df_bounding_boxes` 是一个 DataFrame 对象，`iloc[i]` 用于获取 DataFrame 中的第 i 行数据，`[1:]` 表示获取该行数据的第二个元素及其后面的所有元素（这里假设第一个元素是行号），`tolist()` 用于将这些元素转换成一个 Python 列表。 因此，`df_bounding_boxes.iloc[i][1:].tolist()` 的作用是将 DataFrame 对象 `df_bounding_boxes` 中的第 i 行的第二个元素到最后一个元素转换成一个 Python 列表并返回。这通常用于将 DataFrame 中的行数据传递给其他函数或进行一些其他操作。
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