Yolov5 将图片合成batch进行推理-2
之前的一篇博客Yolov5 将图片合成batch进行推理-1介绍了一个简单的用法。
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。
我之前是对下面这种实现方式有误解。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。
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。
import os
import cv2
import torch
import time
s_t = time.time()
# 记载模型
path_weight = '/home/yz5/cq/yolov5_24bit/runs/train/exp3/weights/best.pt'
model = torch.hub.load('/home/yz5/cq/yolov5_24bit', 'custom', path = path_weight, source = 'local', autoshape = True)
# 将图片分开
dir_path = 'data/PCBDatasets/images' # 你的图片所在的目录
img_list = [os.path.join(dir_path, img_name) for img_name in os.listdir(dir_path)] # 获取所有图片的路径
batch_size = 1
batches = [img_list[i:i+batch_size] for i in range(0, len(img_list), batch_size)] # 将图片分成多个batch
for batch in batches:
results = model(batch, size=512) # batch of images
results.print()
print("Cost Time:", time.time() - s_t)
batchsize | time |
---|---|
1 | 21.7 |
8 | 21.1 |
16 | 20.8 |
24 | 20.8 |
32 | 21.1 |
通过上面那个实验表格其实就可以知道,效果有但是不多。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。可以说这种办法基本上不值得倡导。
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。