旭日X3派YOLOV5推理和识别双重加速（以及遇到的一些问题和解决方法）

        在旭日X3派上部署YOLOv5的过程中碰到了许多问题，来开个贴记录一下我所遇到的问题及其解决方法，此外，感谢各位大佬的帖子和博客给予的帮助！！！文章最后给出了提升识别速度的方法。（瞎猫碰到死耗子凑出来的，本人菜鸡，具体原理不清楚）

问题一：模型转换环境难以搭建

        模型转换的时候我是跟着大佬小玺玺的教程来的
；由于本人电脑过于老旧（18年的笔记本），运行docker特别慢和卡，而且C盘空间占的太大了，对于新手来说不方便。因此我后面是跟着官方文档来的，在电脑里装了虚拟机，安装了Ubuntu系统，在Ubuntu系统里搭建好了模型转换环境，亲测有效。

问题二：后处理出现问题

        我遇到的报错如下：

Traceback (most recent call last):
File "test_yolov5.py", line 56, in <module>
prediction_bbox = postprocess(outputs, model_hw_shape=(640, 640), origin_image=img_file)
File "/media/sdcard2/app/pydev_demo/07_yolov5_sample/postprocess.py", line 35, in postprocess
pred_sbbox = model_output[0].buffer.reshape([1, 80, 80, 3,
ValueError: cannot reshape array of size 226800 into shape (1,80,80,3,9)

 后面逛论坛才知道时yolo版本的问题，要用官方的后处理函数的话，你的yolov5版本必须得是2.0，并且将pt文件转换为onnx文件的程序必须用2.0版本里的export.py程序，否则后处理也会报错。还有如果你想用小玺玺大佬自己写的Cython后处理函数来提升后处理速度的话，你的yolov5版本得是6.2，并且将pt文件转换为onnx文件的程序要用6.2版本里的export.py程序；或者将2.0版本训练好的pt模型文件用6.2版本里的export.py程序转化为onnx文件。onnx文件转为bin文件请参考官方教程。

问题三：识别速度慢

我的识别任务是垃圾四分类，用的官方给的教程（YOLOv5 2.0版本）总体识别速度大概是270ms（推理50ms+后处理220ms）；

用的小玺玺大佬给的方法（YOLOv5 6.2 + 大佬写的后处理函数）总体识别速度大概为350ms（推理342ms+后处理7ms）；

可以看出这两种方法各有各的优点，2.0的推理速度快，6.2的后处理速度快；突发奇想，能不能将两者结合一下？让整体识别速度更快。之所以只有6.2版本的模型才能使用大佬写的后处理函数，大概率是跟模型转换有关，因为yolov5虽然有版本迭代，但其整体网络结构不变啊。所以问题大概率出现在模型转换的过程中，二模型转换的第一个步骤就是pt转onnx。想法有了，开始实验！

用2.0版本的yolov5训练好pt模型，再将该模型用6.2版本的yolov5中的export.py程序转换为onnx文件，注意：将opset由12改为11.再在虚拟机里将onnx转换为bin文件，上板运行，完美！识别速度为140ms左右（推理速度131ms+后处理速度7ms）