七夜星七夜月-CSDN博客

原创解决OpenOPC报错: Dispatch: invalid class string

OpenOPC报错：无效字符，Dispatch:invalid class string

2024-09-29 16:21:32 145

原创 YOLOv5 pt转engine

参考一下下面的图，这里举的例子是8.5.3的。如果你要安装8.5.3的tensorrt，在安装之前，至少请保证你现有的环境中的cuda、cudnn、tensorflow、onnx、pytorch均大于8.5.3的tensorrt的版本要求。如果你十分确定你的cuda版本和cudnn版本之间是绝对兼容没问题的，即之前的跑实验都能用。先重装你的pytorch试试看，如果也没有问题，那么问题应该就是在tensorrt的版本上了。一开始我觉得是cuda出问题了，运行了下面的代码测试一下，发现也都是True。

2024-01-20 09:28:55 1555

原创 YOLOv5 pt转为onnx

使用onnx模型的时候，很反常，打印出来的使用设备是GPU，但是我查看GPU时GPU的利用率是零，并且速度很慢，应该是使用CPU跑的。然后我发现有一个叫dnn的东西可以和onnx配合着使用，我就尝试了一下，此时onnx模型的前向推理速度是1s一张图。运行下面的代码安装onnx相关的环境，按照自己的设备进行选择。所以应该是onnx和cuda、cudnn的版本没对上，重新装就好了。是没办法安装好onnx环境的。看到这里，在我只能说yolov5的作者真的太贴心了。下面是5x的一些实验，均开启了半精度。

2024-01-19 15:06:05 1948 3

原创 YOLOv5实现多线程推理

具体效果以实际情况为例，比如我的机器是RTX3060+12GB的内存。跑一个detect.pyGPU的利用率就已经爆满了，使用多进程反而增加了总体的检测时间。简单说一下思想，上述代码其实同时包含了Batch Size和多进程的方式。在一个for循环中使用两个进程加载两个batch，就可以实现多进程的效果了。

2024-01-18 21:41:58 1000

原创 YOLOv5缺陷检测工程文章目录

无法稳定复现出一样结果的解决方案YOLOv5半精度推理YOLOv5使用8bit的模型检测8bit的图片YOLOv5使用detect.py进行多线程推理Yolov5 将图片合成batch进行推理-1Yolov5 将图片合成batch进行推理-2

2024-01-18 13:36:56 1158

原创 Yolov5 将图片合成batch进行推理-2

下面这个代码其实就只加载了一次模型，和detect.py中多次运行run是不一样的。那是因为在detect.py中的run中有导入模型的步骤。最重要的是，通过使用官方的detecct.py测试这290张图只消耗了15s的时间。如果要深究n个batchsize的方式去做检测的话，那就只能在detect.py上进行修改了。这一篇主要就是将路径下的图片以batchsize=n这样送去给model进行检测。下面使用我自己训练出来的YOLOv5x进行测试的，路径下一共有290张图片。介绍了一个简单的用法。

2024-01-18 13:28:06 521

原创 YOLOv5 detect.py开启半精度推理

由于是使用了detect.py文件进行推理的，无法判断，现在想到的办法是去查看测试得到的CSV文件。根据CSV文件所展示的，开启半精度之后预测的概率确实是会降低的。我这里分别使用YOLOv5s和YOLOv5x进行了一下测试：开启半精度预测之后，根据下面两个表格可以看出，模型越大，检测的图片越多，那么半精度推理所提高的速度也就越多。上面这个博客应该是没有问题的，但是我现在环境没装好，还没办法实践，等环境装好后会补充测试。但是在我装环境的过程中我发现，在detect.py中的模型参数包含了开启半精度的选项。

2024-01-18 10:47:02 842

原创 YOLOv5使用8bit的模型检测8bit的图片

实验结果如下，其实对于各个模型来看，5n、5s、5x，前向推理其实都有一点点的提升，但是不多。反而出乎意料的是，8bit的精度反而比32bit的精度要高，出乎我的意料。但是设备、环境、使用场景的不同，我就自己做了一些消融实验，验证它在我的需求下是否有效。

2024-01-17 11:14:02 375

原创 Yolov5 将图片合成batch进行推理-1

暂时没有弄清楚怎么通过这种方式给model输送多个batch。后续可能根据上面那种模式添加代码或者通过修改detect.py达到这个效果。但是无论是把20-100张图片合成一个batch送去检测，都比逐张检测是要慢的。实际上是Yolo文件夹中的hubconf.py的所在文件夹。下的图片全部合成一个batch送到model中进行检测。

2024-01-17 11:00:25 496 1

原创 YOLOv5提高检测速度：使用detect.py进行多进程推理

我们的项目有一个需求，就是10s之内得检测完一张图片。但实际上程序可能需要的时间接近40s，所以就有了一个多线程的需求。所以下面测试我将通过跑3次相同路径下图片的耗时进行比较。使用的GPU设备是RTX3060。通过上述的方式连续跑三次，耗时23s-29s。我先对他的main函数做了一些简单的修改。同样的，对代码进行一些小修改。多进程的耗时为11.1s。

2024-01-16 11:07:53 1974 2

原创 YOLOv5无法稳定复现出一样结果的解决方案

torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms。但是他有一个问题，YOLOv5代码中的随机种子虽然固定了，但是仍然有问题，将。YOLOv5本身会有自己的随机种子。在训练之前呢使用这个函数定义好随机种子就可以了。修改好就可以解决问题了。

2024-01-15 17:42:35 830 2

原创张正友标定法代码解释

不说太多，先上一份完整可用的源代码。因为版本不一样，可能需要添加或者删掉一些头文件或者是更新一些拓展工具//#include <opencv2/opencv.hpp> //#include <highgui.hpp> //#include "cv.h" //#include <cv.hpp> //#include <iostream> //#include <tchar.h> //#include "atlstr.h"

2021-06-13 16:01:13 351

原创使用Atmega48实现键控LED，实现一亮一灭，附带c文件以及仿真文件

使用Atmega48实现一个按键控制LED亮灭/***这里是一些头文件以及声明***/#include"iom48v.h"#include"macros.h"#define uchar unsigned char#define uint unsigned int/**********************作用：初始化IO口**********************/void init(){ PORTC=0XFF; DDRC=0XF0; PORTB=0XF

2020-08-04 23:04:10 626

原创树莓派初次配置C++环境以及进行简单的hcsr04驱动

树莓派初次配置C++环境以及进行简单的hcsr04驱动当你已经拥有一块树莓派，并且成功烧写好了系统，进行了最基础的树莓派配置，并且拥有树莓派屏幕或者使用了SSH、VNC等可以进行远端操作时，你就可以进行下面的操作了。这篇文章仅仅针对初学者的初次学习以及尝试。安装 wiringPI.h 库先确认你的树莓派有没有安装GIT工具，可以在LX终端输入以下指令：sudo apt-get install git-core输入以上指令后可能需要输入【Y/n】，先观察显示内容的，如果已经显示了安装最新版本

2020-05-20 22:50:01 2501 1