利用pytorch构建DETR并训练自己的数据集，然后将训练好的模型导出onnx文件，最后利用tensorRT构建推理引擎并部署

最新推荐文章于 2024-07-23 09:40:45 发布
最新推荐文章于 2024-07-23 09:40:45 发布
阅读量622 收藏 18
点赞数 12
分类专栏： 目标检测DETR 文章标签： pytorch c++ 人工智能 深度学习 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/weixin_44304689/article/details/140023134
版权

 

DETR目标检测模型在Pytorch当中的实现，以及部署

项目地址

  1. kangkangwansui/detr_deploy (github.com)
  2. 如果觉得有用请客官大人点个小星星

目录

  1. python ： 基于prch实现的DETR目标yto检测模型，支持训练和测试，以及生成onnx模型。
  2. CPP : 将onnx模型转为序列化的engine模型保存，反序列化engine模型，部署并推理。

所需环境

python环境:

torch== 1.7.1

torchvision == 0.8.2

numpy == 1.24.4

onnx == 1.15.0

onnxruntime == 1.18.0

opencv-python == 4.6.0.66

tqdm == 4.66.4

scipy == 1.10.1

c++环境：

cmake == 3.16.3

tensorrt == 8.2.1.8

opencv == 4.8.0

yaml-cpp

文件下载

        训练需要的数据集，训练模型的初始权重、150 epoches 训练后保存的权重文件、导出的onnx文件以及构建的engine文件，可在百度网盘中下载。
链接：百度网盘 请输入提取码 提取码：6syh

        python代码的实现可参考CSDN博客：睿智的目标检测65——Pytorch搭建DETR目标检测平台，代码来源：GitHub - bubbliiiing/detr-pytorch: 这是一个DETR-pytorch的仓库，可以训练自己的数据集

训练自己的数据集

  1. 数据集的准备，按照VOC2007的格式准备自己的数据集，记住数据集存储的路径

  2. 生成数据集路径：cd python,修改voc_annotation.py文件下的classes_path和VOCdevkit_path路径；运行python voc_annotation.py，生成2007_train.txt，2007_val.txt文件。

  3. 修改train.py文件的classes_path和model_path参数，其他参数根据自身需求修改；运行python train.py 训练结束后会在log文件下生成权重文件。

导出onnx模型

  1. 修改export_onnx.py的resume和onnx_path参数，运行python export_onnx.py ,会在onnx文件夹下生成detr.onnx模型

根据onnx模型构建engine并推理

  1. 解析onnx文件，构建网络，序列化模型：我们的项目是基于c++，利用tensorrt解析onnx模型构建网络，并序列化模型然后写入detr.engine文件并保存。具体操作为：cd ..退回根目录下，然后cd CPP进入c++语言下的目录，然后在config.yaml配置参数，具体参数如下：首先将isBuild设置为true(代表解析onnx文件，序列化模型)，isSaveEngine设置为true(保存engine文件)，onnx_file_path和classes_txt设置的路径与python生成的一致，EngineOutputFile指定engine文件保存的路径。最后cmake -B build(创建build文件和项目文件);cmake --build build(编译项目);build/DETR(运行项目，生成detr.engine文件)

  2. 反序列化模型,并推理：config.yaml配置文件内的isBuild设置为false(直接加载engine文件，推理)；engineflie设置为engine文件生成的路径。最后build/DETR(运行项目，预测图片生成结果)

JOKER ! ! !
关注
  • 12
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
详解RT-DETR网络结构/数据集获取/环境搭建/训练/推理/验证/导出/部署
Snu77的博客
11-27 1万+
本文给大家带来是利用RT-DETR模训练自己的数据集，RT-DETR是一种新提出的目标检测模型，它利用的自注意力机制来处理图像数据。不同于YOLO通过连续的卷积层直接对图像区域进行分析，RT-DETR采用Transformer架构中的自注意力机制，这允许模型更有效地理解图像中不同部分之间的关系。这种方法使得RT-DETR在处理图像中的复杂场景和多对象环境时，能够展现出更高的准确性和效率。此外，RT-DETR在保持高精度的同时，也针对实时处理进行了优化，使其适合需要快速响应的应用场景。
手把手教你使用YOLOv10训练自己数据集（含环境搭建 、数据集查找、模型训练、测试）
tsg6698的博客
06-11 2618
在过去的几年里，YOLO 因其在计算成本和检测性能之间的有效平衡而成为实时目标检测领域的主要范例。研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索，取得了显着进展。然而，后处理对非极大值抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生不利影响。此外，YOLO中各个组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构方面进一步提升 YOLO 的性能效率边界。
官方pytorch版本RT_DETR训练自己的数据集过程并导出结果
TracyGC的博客
12-08 1878
rtdetr_pytorch/configs/dataset/coco_detection.yml"里面把文件地址修改成自己的数据集地址，配制成my_coco.yml,同时修改需要训练"rtdetr_pytorch/configs/rtder/rtdetr_r50vd_m_6x_coco.yml"里面的数据集。然后利用"RT-DETR-main/rtdetr_pytorch/tools/train.py，记得加入configs。在前面的步骤中，利用配置好的。
使用官方版RT-DETR训练自己的数据集(Pytorch)
weixin_53895623的博客
12-20 6344
RT-DETR训练自建数据集的步骤。
DETR导出onnx模型，并进行推理（cpu环境）
athrunsunny的博客
12-30 4449
话不多说直接上代码 在detr项目目录下创建export_onnx.py文件，将下面代码拷贝之后直接运行即可。 import io import argparse import onnx import onnxruntime import torch from hubconf import detr_resnet50 class ONNXExporter: @classmethod def setUpClass(cls): torch.manual_seed(1..
极智项目 | 实战TensorRT部署DETR
极智视界
07-05 286
大家好，我是极智视界，本文来介绍 实战TensorRT部署DETR
RT-DETR模型导出与推理
weixin_53895623的博客
12-21 1676
本文介绍将RT-DETR的模型训练结果导出为onnx权重文件，并利用该权重文件进行模型推理。
RT-DETR推理详解及部署实现
热门推荐
周同学的博客
11-12 1万+
RT-DETR推理详解及部署实现
DETR tensorRT部署去除推理过程无用辅助头+fp16部署再次加速+解决转tensorrt 输出全为0问题的新方法
zhangqian_1的博客
01-09 1432
转tensorrt 输出全为 0 的可能的本质原因：（1）Gather的参数中的取最后一个维度数据用的是自动推断的-1，可能是算子不支持，需改成指定的维度；后来就琢磨这个事情，既然只取最后一个头的结果，那么中间的头完全可以不要，这样就可以不使用Gather操作，且可以加快模型的推理速度。基于本示例导出的onnx模型转tensorRT，对比使用float32和float16转出来的模型大小明显变小，推理速度也明显加快。（2）对比原始模型导出tensonRT的速度和本示例导出的导出tensonRT的速度；
Pytorch 6
2301_81989837的博客
07-21 328
加了激活函数。
模型训练中出现loss为NaN怎么办？
Thomas_Cai的记忆殿堂
07-18 1003
模型训练中出现loss为NaN原因
Pytorch笔记（1-5）
2301_81989837的博客
07-20 377
张量可以理解为numpy里面的矩阵，可以进行矩阵的操作。
PyTorch案例之X光肺部感染识别
brucexia的专栏
07-19 813
ResNet50相比于传统的卷积神经网络模型具有更深的网络结构，通过引入残差连接（Residual Connection）解决了深层网络训练过程中的梯度消失问题，有效提升了模型的性能。世界卫生组织的报告显示，全球每年因肺炎致死的儿童多达200万，超过HIV/AIDS、疟疾和麻疹致死人数的总和，成为儿童夭折的首要原因。而肺部感染的X光胸片影像特征如图17-2所示，肺部炎症呈斑点状、片状或均匀的阴影，有病变的肺叶或肺段出现有斑片样的表现，肺炎后期可能出现肺部影像大片发白。项目所用到的图像分类模型。
模型剪枝入门
weixin_40777649的博客
07-21 267
1.定义2. 案例13. 全局剪枝案例4. 全局剪枝案例5. 自定义剪枝6. 特定网络剪枝7. 多参数模块剪枝8. torch.nn.utils.prune 解读。
PyTorch 2.0 GPU Nvidia运行库的安装
最新发布
brucexia的专栏
07-23 702
首先是CUDA的安装。百度搜索CUDA 11.7 download，进入官方下载页面，选择适合的操作系统安装方式（推荐使用local（本地化）安装方式），如图2-16所示。当然，读者也可以根据自己电脑的GPU配置要求，查阅PyTorch和CUDA官网，找到适合的PyTorch、CUDA、cuDNN软件版本进行搭配安装。对于PyTorch 2.0的安装来说，最好的安装方法是根据官方提供的安装代码进行安装。此时下载下来的是一个EXE文件，读者自行安装，不要修改其中的路径信息，完全使用默认路径安装即可。
PyTorch的自动微分模块【含梯度基本数学原理详解】
逐梦苍穹的博客
07-20 782
介绍自动微分模块的使用，以及关于梯度下降的数学原理！
扩展PyTorch视觉模型
4.0啊的博客
07-20 870
在深度学习领域，预训练的视觉模型，如ResNetVGG或BERT，已经成为了多种视觉任务的基石，包括图像分类、目标检测和语义分割等。PyTorch是一个功能强大的深度学习框架，它提供了大量现成的API来构建和训练模型。然而，并非开箱即用的API总是能满足所有需求，特别是在处理一些特定的计算机视觉任务时。本文将探讨如何扩展PyTorch的视觉模型，以便它们可以更好地符合特定项目或研究的需求。扩展PyTorch的视觉模型是一个涉及多个方面的过程，从修改现有架构到实施量化和压缩技术。
基于 PyTorch 的 MNIST 手写数字识别教程
KsuferNotes
07-18 1539
本文将介绍如何使用 PyTorch 库来构建一个神经网络模型，以实现 MNIST 手写数字的识别。完整代码在文末提供。本文将逐段解释代码，以帮助读者理解各个部分的功能。
Pytorch 模型导出为 ONNX 或 TensorRT 格式
05-27
将 Pytorch 模型导出为 ONNX 或 TensorRT 格式的具体步骤如下： ### 导出为 ONNX 格式 1. 安装 onnx 包：`pip install onnx` 2. 加载 Pytorch 模型并将其转换为 ONNX 模型： ```python import torch import torchvision import onnx # 加载 Pytorch 模型 model = torchvision.models.resnet18(pretrained=True) # 转换为 ONNX 模型 dummy_input = torch.randn(1, 3, 224, 224) input_names = ["input"] output_names = ["output"] onnx_path = "resnet18.onnx" torch.onnx.export(model, dummy_input, onnx_path, verbose=True, input_names=input_names, output_names=output_names) ``` 3. 导入 ONNX 模型： ```python import onnx # 加载 ONNX 模型 onnx_path = "resnet18.onnx" model = onnx.load(onnx_path) ``` ### 导出为 TensorRT 格式 1. 安装 TensorRT 并设置环境变量： ```python # 安装 TensorRT !pip install nvidia-pyindex !pip install nvidia-tensorrt # 设置 TensorRT 环境变量 import os os.environ["LD_LIBRARY_PATH"] += ":/usr/local/cuda/lib64:/usr/lib/x86_64-linux-gnu" ``` 2. 加载 Pytorch 模型并将其转换为 TensorRT 模型： ```python import tensorrt as trt import pycuda.driver as cuda import torch import torchvision # 加载 Pytorch 模型 model = torchvision.models.resnet18(pretrained=True) # 转换为 TensorRT 模型 TRT_LOGGER = trt.Logger(trt.Logger.WARNING) trt_runtime = trt.Runtime(TRT_LOGGER) with trt.Builder(TRT_LOGGER) as builder, builder.create_network() as network, trt.OnnxParser(network, TRT_LOGGER) as parser: builder.max_workspace_size = 1 << 30 builder.max_batch_size = 1 # 加载 ONNX 模型 onnx_path = "resnet18.onnx" with open(onnx_path, "rb") as f: parser.parse(f.read()) # 构建 TensorRT 引擎 engine = builder.build_cuda_engine(network) # 保存 TensorRT 引擎 with open("resnet18.trt", "wb") as f: f.write(engine.serialize()) ``` 3. 导入 TensorRT 模型： ```python import tensorrt as trt # 加载 TensorRT 模型 trt_path = "resnet18.trt" with open(trt_path, "rb") as f, trt.Runtime(trt.Logger(trt.Logger.WARNING)) as runtime: engine = runtime.deserialize_cuda_engine(f.read()) ```
评论 3
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