yolov5 不同 版本 模型转 ncnn.param 模型输出层 name 差异对比 |【ncnn 模型】

最新推荐文章于 2024-08-23 02:39:12 发布
最新推荐文章于 2024-08-23 02:39:12 发布
阅读量1.2k 收藏 3
点赞数
分类专栏： 目标检测-模型部署 文章标签： yolov5 ncnn
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/sinat_28442665/article/details/120002390
版权
目标检测-模型部署 专栏收录该内容
46 篇文章 55 订阅 ¥199.90 ¥299.90
订阅专栏
本文关注YOLOv5在ncnn平台的模型转换，探讨不同版本(yolov5, yolov5_3_0, yolov5_5_0)在转化成ncnn.param模型时输出层名称和ID的变化。通过官方ncnn的yolov5.cpp推理代码，揭示了模型的3个输出层ID和名称，并指出YOLOx_S模型只有一个输出层。" 132927384,20038511,Vue.js与OpenLayers动态管理地图图层,"['Vue.js', '前端开发', 'OpenLayers']
摘要由CSDN通过智能技术生成

文章目录

这里主要运行的代码是 ncnn 官方 yolov5.cpp 的 c++推理
https://github.com/Tencent/ncnn/blob/master/examples/yolov5.cpp

因为当前 yolov5 官方代码本身一致在更新，导致 yolov5 模型目前已经有如下多个版本
不同版本模型，在转化部署阶段需要和对应版本代码匹配，模型层 name 和 层索引 会有差别

> 该博文所记录的是，不同 版本 yolov5s. * 转化得到的 ncnn 模型的 input 和 output 层 id 和 name

1-0

博文所运行和关注的代码如下

我们观察到 yolov5 ncnn 模型通常有 3个 output 层
该代

了解本专栏 订阅专栏 解锁全文
墨理学AI
关注
专栏目录
订阅专栏
onnx 模型转 ncnn 之 模型推理校验 | 问题汇总
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
08-17 648
onnx 模型 使用 https://netron.app/ 打开失败 onnx 模型转 ncnn 之 模型 校验 遇到的问题 mobilenet_yolo_deploy_iter_80000.caffemodel 转换得到的 mobilenet_yolov2.param缺失 Input 层 # 其它层都是正常的，唯独 缺少 Input 层 cat models/yolov2caff/mobilenet_yolov2.param 7767517.
[修改记录]对于yolov5的head部分里的一些模块进行了修改替换
PLH19990227的博客
03-03 1348
对yolov5 5.0的修改记录，供自己回忆使用。
u版yolov5 模型转ncnn
dongdonglele521的博客
11-05 2280
最近项目需要yolov5做检测，用c++实现，在cpu上运行，所以想到一些部署方法： 1、u版yolov5训练好模型就是.pt文件转onnx,然后再转ncnn. 2、u版yolov5训练好模型就是.pt,使用libtorch进行inference. 3、使用opencv接口去做.opencv现在越来越强大. 之前用过ncnn，所以就选择了.pt->onnx->ncnn.老板要的比较急，所以最好的方法就是找开源，快速复现。第一步当然是要配置环境。当前环境是win10操作系统。需要的依赖是o
Yolov5——使用export.py把pt格式模型输出为onnx模型
最新发布
myhfory的博客
08-23 2186
需要Python>=3.8.0，并且含有PyTorch>=1.8，安装好yolov5所需要的所有依赖。
yolov5 pt权重文件转为ncnn格式
weixin_45865900的博客
07-09 1664
python yolo权重转换为ncnn
yolov5 v7.0转ncnn时问题解决
minjialong的博客
11-01 1239
通过节点输出，发现当获取到Slice算子时，输出错误，因此初步判定Slice算子有问题，通过文档查看，发现ncnn中Slice的参数1=3（这里的1是axis），由于ncnn最多支持4维度（忽略掉batch，就只剩3维），因此这里的维度越界了，改为1=2就可以正常运行了。由于最终模型结构没有问题，那么问题肯定是出在模型参数上了，再次通过各个节点的部分结果与onnxruntime对比，在同样输入时，第一层（Convelution)的结果就不对，肯定是权重或偏置不对。2.通过自定义算子，在代码运行时注册进去。
关于Android版Yolov5自己训练数据集param文件右侧第三列不是数字的解决方法
qq_18814985的博客
05-13 817
如图，我在我训练自己数据集后转换为param和bin文件后param文件如图，右侧第三列本该为数字确出现了如图的问题； 原因：pytorch版本的问题 解决方法：pip install torch==1.10.2 （torch版本更换后，也需要更换对应版本的torchvision） 然后再由pt文件重新转为onnx文件，再转为bin和param文件后，param文件就正常了 ...
YOLOv5 浅记
weixin_45824067的博客
04-21 468
写得很清楚，这里只是记录一下自己的笔记。
yolov5 ncnn 模型 和 Onnx模型精度校验 |【output层对比】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
09-16 1176
本博文只记录实验输出，暂不开放代码 文章目录yolov5s.pt 转 yolov5s_5_opt.param 的步骤如下精度校验思路结论实验对比如下yolov5s.onnx 推理输出yolov5s_sim.onnx 推理输出yolov5s_5_opt.param【ncnn】 推理输出yolov5 ncnn Python 运行推理代码【单个文件可用】 yolov5s.pt 转 yolov5s_5_opt.param 的步骤如下 yolov5s-5.0 转 onnx 再转 ncnn 详细教程 (下).
yolov5 通过NCNN实现前向推理的文件
02-24
2. **差异分析**：这里的描述提到转换后的模型与官方版本略有不同，这可能是因为在转换过程中，为了适应NCNN的特定优化或硬件限制，可能进行了某些微调。例如，可能会调整模型的卷积层类型、批处理归一化（BN）层的...
YOLOv5转NCNN过程
qq_41669468的博客
12-02 6557
官网提供的yolov5代码中已经能实现pt转onnx,但为了在android端使用 需要将onnx转ncnn,由于yolov5的部分网络层并没有在ncnn代码库中封装，直接使用ncnn中的onnx2ncnn会存在一些不支持的问题。该博客就是借他人经验，将实现的过程重新整理了一遍。便于向我一样的新手在初次使用时快速上手。 实现步骤 1, 安装onnx-simplifier 1.1: pip install onnx-simplifier (具体该工具的作用自行百度) 1.2: python -m onnxs
深度学习之模型转换(pytorch2onnx2ncnn)详细介绍
09-01
1. 保持PyTorch版本较低，以确保NCNN能识别模型中的层。高版本PyTorch可能引入了新的层或操作，不被NCNN支持。 2. `nn.logsoftmax`在NCNN中不支持，因此在训练时使用NLL LOSS + logsoftmax，但在转换时应替换为Cross...
《TencentNCNN系列》 之param文件（网络结构文件）格式分析
Sky的专栏
06-25 5492
#PS：要转载请注明出处，本人版权所有 #PS:这个只是 《 我自己 》理解，如果和你的 #原则相冲突，请谅解，勿喷 时间：2018.06.25 ncnn master commit id:b3e24cafc37483dcc97ee61e6f0f6ff1b094300e 背景 由于公司算法组的算法在某些arm板子的表现不佳，于是需要使用此框架进行优化，初步测试得出的结论为...
【模型转换】YOLOv3的cfg+weights转换成pb文件
qq_33329896的博客
04-16 4913
https://github.com/jinyu121/DW2TF
yolov5源码解析--输出
豆芽菜
04-25 3655
本文章基于yolov5-6.2版本。主要讲解的是yolov5是怎么在最终的特征图上得出物体边框、置信度、物体分类的。
（13）深度网络模型训练评价指标之yolov5训练结果分析
yohnyang的博客
12-03 1万+
（13）深度网络模型训练评价指标之yolov5训练结果分析
【YOLOv5-6.x】模型参数量param及计算量FLOPs解析
热门推荐
weixin_43799388的博客
04-02 4万+
文章目录前言参数量param和计算量FLOPs简介参数量计算量YOLOv5计算模型参数训练和验证输出模型参数不同的原因分析输出模型参数结果（以YOLOv5s-coco2017为例）参数不同的原因分析Reference 前言 评价一个用深度学习框架搭建的神经网络模型，除了精确度（比如目标检测中常用的map）指标之外，模型复杂度也必须要考虑，通常用正向推理的计算量(FLOPs)和参数个数(Parameters)来描述模型的复杂度。   参数量param和计算量FLOPs简介 参数量 有参数的层主要包
基于YOLOv5n/s/m不同参数量级模型开发构建茶叶嫩芽检测识别模型，使用pruning剪枝技术来对模型进行轻量化处理，探索不同剪枝水平下模型性能影响
Together_CZ的博客
08-17 2180
较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。上述的三组剪枝实验结果是建立在剪枝30%的基础上，产生的结果，可以看到：甚至剪枝后的效果还要优于原始的模型，这也说明了原始的模型中存在相当量的参数冗余。从最终模型的评估结果上面来看：s系列的模型结果还不如n系列的模型，或者说是二者差异不大，m系列模型的结果要优于其他两款模型。
yolov5 模型部署NCNN（详细过程）
excelNo1的博客
08-02 1万+
yolov5 模型部署NCNN 一、编译ncnn 1、在github官网输入 ncnn ,找到Tencen\ncnn 下载ncnn 2.打开vs2017 工具 x64 Native Tools Command Prompt for VS 2017 3.下载protobuf-3.4.0到本地 4.编译protobuf的动态库，输入以下命令： cd <protobuf-root-dir> mkdir build cd build cmake -G"NMake Makefiles" -DCMAKE
YOLOv5s模型参数转换与NCNN前向推理实践
为了能够在NCNN框架上运行YOLOv5模型，需要将其.pt文件转换为NCNN所需的.param和.bin格式文件。这一转换过程使得YOLOv5模型能够在没有Python环境的设备上，例如移动设备或嵌入式系统，进行高效的目标检测。转换后的...
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

墨理学AI

不必打赏，关注博主公众号即可

¥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