YOLOv6 4.0 使用记录： OpenCV DNN C++推理

已于 2023-05-07 22:34:00 修改
阅读量976 收藏 2
点赞数 1
分类专栏： # 目标检测-模型理解 # 目标检测 模型部署 文章标签： YOLO
于 2023-05-04 16:30:29 首次发布
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_45824067/article/details/130487672
版权
该文介绍了YOLOv6模型的下载、权重加载、环境配置、推理过程，包括对图片和摄像头的输入。作者在尝试将YOLOv6Lite-S权重导出为ONNX格式时遇到错误，而使用YOLOv6.pt权重则成功。opencvDNN进行推理时，YOLOv6n比YOLOv5n速度快，但存在误检问题，可能需要调整置信度阈值。
摘要由CSDN通过智能技术生成

目录

1、下载源码

 2、下载权重文件

 3、配置环境

4、推理

6、ONNX格式导出

权重文件为yolov6list_s.pt

权重为yolov6.pt

 7、opencv DNN推理

8、个人总结

1、下载源码

下载最新的4.0版本的

 2、下载权重文件

我下的是YOLOv6Lite-S

 3、配置环境

cd到项目目录，运行

 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

4、推理

图片推理没问题，但是输入为摄像头的时候不会弹出显示窗口

 python tools/infer.py  --weights yolov6lite_s.pt  --source data/images/image1.jpg

6、ONNX格式导出

权重文件为yolov6list_s.pt

导出报错。。。。：

AttributeError: 'ConvModule' object has no attribute 'act'

权重为yolov6.pt

成功获得onnx格式的文件

 7、opencv DNN推理

我直接用摄像头，推理代码用的是之前写的博客代码，输入应该是设置为640，CPU推理耗时120ms左右。

yolov5n 推理的话 150ms左右

yolov6n
yolov5n

8、个人总结

yolov6n 推理速度确实比yolov5n快一点，检测的物体更多（平放的书本也检测出来了），但是存在一定的误检，可能修改置信度阈值能好点？

 但是我看 ONNX/export_onnx.py的置信度阈值设置还可以。暂时不知道如何改进，如有大佬知道，烦请留言

觉得写得不错，厚脸皮要个赞，哈哈哈

参考：

https://yolov6-docs.readthedocs.io/zh_CN/latest/%E9%83%A8%E7%BD%B2/ONNX.html

手把手教你运行YOLOv6（超详细）_Mr Dinosaur的博客-CSDN博客

爱钓鱼的歪猴
关注
专栏目录
YOLOV8 Onnxruntime CUDA Opencv DNN C++部署
06-05 2491
YOLOV8 提供两种c++部署方式：Onnxruntime和Opencv DNN
Yolov5 + Opencv DNN + C++部署
03-28 1122
yolov5在opencv dnn c++调用，一般情况下cpu会选择该部署方式，yolov5s 输入：640*640 FPS:3.10 ，yolov5n 输入：640*640 FPS:4.33
yolov5模型训练&opencv-dnn推理全过程
m0_62252120的博客
11-06 1492
零基础模型训练自己实践总结
OpenCV DNN模块模型推理（c++实现）
weixin_43407674的博客
08-22 1595
1. 当同时进行scalefactor,size,mean,swapRB操作时，优先按swapRB交换通道，其次按scalefactor比例缩放，然后按mean求减，最后按size进行resize操作。3. 当crop=True时，调整输入图像的大小，使调整大小后的一侧等于相应的尺寸，另一侧等于或大于，然后从中心进行裁剪。cv2.dnn.blobFromImages有更少的函数调用开销，能够更快批处理图像或帧。将原始图像转换为可以直接输入网络的格式，在进行深度学习时，主要是用来对图片进行预处理。
yolov5训练自己的数据集，OpenCV DNN推理
Vaccae的博客
01-16 2424
学更好的别人，做更好的自己。——《微卡智享》本文长度为4238字，预计阅读9分钟前言上一篇《OpenCV--自学笔记》搭建好了yolov5的环境，作为目标检测在应用中，最重要的还是训练自己的数字集并推理，所以这一篇就专门来介绍使用yolov5训练自己的数据集，并且用OpenCV的DNN进行推理。实现效果实现yolov5训练自己数据并识别的核心是什么？A实现yolov5训练自己数据集，最核心的是怎么...
YOLOv6 ORT/MNN/TNN/NCNN C++推理部署
weixin_41838259的博客
06-27 2014
YOLOv6 ORT/MNN/TNN/NCNN C++推理部署
深入浅出之基于OpenCV的DNN推理部署
最新发布
浩瀚之水的专栏
10-13 1101
加载和运行深度学习模型支持从各种深度学习框架（如Caffe、TensorFlow、ONNX、Torch、Darknet等）导入预训练的深度学习模型，并在OpenCV中执行推理。图像预处理和后处理提供了多种图像预处理功能，如图像缩放、归一化、颜色转换等，以及后处理功能，如非极大值抑制（NMS）等。硬件加速支持使用CPU、GPU（通过OpenCL和CUDA）、Intel的Inference Engine等进行硬件加速，以提高推理速度。易于集成。
yolov5-6.1 opencv dnn onnx推理python,c++
网络架构
03-16 8053
yolov5-6.1 opencv dnn onnx推理python,c++代码
在 C++ 和 Python 中使用 YOLOv5 OpenCV DNN 进行对象检测
DT程序员的博客
05-09 1023
在 C++ 和 Python 中使用 YOLOv5 OpenCV DNN 进行对象检测实现及相关代码介绍
C++ opencv部署yolov8旋转框目标检测源码
01-26
测试环境： vs2019 cmake==3.24.3 opencv==4.7.0 博客地址： blog.csdn.net/FL1623863129/article/details/135857915 视频演示： bilibili.com/video/BV1ce411e79k/
OpenCV-dnn-samples:如何使用OpenCVdnn包在不同模型上进行推理
05-13
OpenCV DNN示例 在这里，您可以找到3个不同的示例（Tensorflow，Caffe和Torch），以了解如何使用OpenCV中的dnn软件包。 这个想法是要了解如何使用该程序包对任何经过训练的模型进行推断。 对于使用的每个模型，您需要了解其输出值的含义。 注意：此代码在Python3下运行 为什么这很酷？ 无需安装任何深度学习框架！ 仅使用OpenCV，您就可以从以下常见框架（Tensorflow，Caffe和Torch）推断出受过训练的图形。 如何使用？ 克隆仓库。 可选创建虚拟环境（例如，使用virtualenv ）以使依赖项保持隔离。 运行pip install -r requirements.txt 运行以下任何示例： 张量流 您可以基于在COCO数据集上训练的SSD + MobileNet运行对象检测模型。 $ python main_tensorflow
C++ OpenCV DNN 调用摄像头实时检测
10-23
基于C++ 和OpenCV的DNN模块，调用darknet训练的检测模型进行检测；调用摄像头对每帧进行检测。
使用OpenCV中DNN模块推理YOLOV4
123
10-23 844
```python import cv2 import time CONFIDENCE_THRESHOLD = 0.25 # 置信度阀值 NMS_THRESHOLD = 0.4 # 非极大值抑制阀值 COLORS = [(0, 255, 255), (255, 255, 0), (0, 255, 0), (255, 0, 0)] # 颜色 class_names = [] # 初始化一个列表以存储类名 with open("C:/Users/yh/Desktop/All_models/pho.
基于新版Opencv5.x(C++)+yolov6快速目标检测
源代码杀手的博客
09-18 973
基于新版Opencv5.x(C++)+yolov6快速目标检测
opencv dnn 使用深度学习前向推理
haima1998的专栏
03-31 528
转自：https://zhuanlan.zhihu.com/p/28323601 https://blog.csdn.net/qq_30815237/article/details/87914775 刚刚出炉的 OpenCV 3.3 版本增加了符合历史进程的新模块 dnn，也就是深度神经网络。dnn 模块其实很早就存在于 opencv_contrib 项目中，这次提到了主项目里，算是转正了。 小张琢磨了下，这个 dnn 模块的卖点有这么几个： 1）零依赖 只依赖 opencv，如果你被 caffe
深度学习之OpenCV的DNN模块
图灵追幕者博客录
07-04 1316
OpenCV的DNN模块提供以下主要功能：1.加载和运行深度学习模型：支持从各种框架导入预训练的深度学习模型，并在OpenCV中执行推理。2.图像预处理和后处理：提供了多种图像预处理和后处理功能，如图像缩放、归一化、颜色转换、非极大值抑制等。3.支持多种硬件加速：支持使用CPU、GPU（通过OpenCL和CUDA）、Intel的Inference Engine等进行硬件加速。4.易于集成：与OpenCV的其他模块无缝集成，便于在计算机视觉项目中使用。
yolov6-onnx + opencv-DNN
zaibeijixing的专栏
12-06 777
yolov6-onnx + opencv-DNN C++
【分别使用OpenCV、ONNXRuntime部署YOLOV6目标检测，包含C++和Python两个版本的程序】
dongbao520的博客
06-26 1731
最近美团视觉团队研发了一款致力于工业应用的目标检测框架YOLOv6，看到他们在昨天发布公布了训练模型。 于是我在今天编写了一套使用opencv的dnn模块做YOLOv6目标检测推理的程序，包含C++和Python两个版本的程序。 接着编写了使用ONNXRuntime做YOLOv6目标检测推理的程序，依然是包含C++和Python两个版本的程序。onnx文件在百度云盘，下载链接：https://pan.baidu.com/s/1XqnZaG_0AswxnsYv4sCk6A 提取码...
【TensorRT（2）】研究美团tech的yolov6的TensorRT部署
Hali_Botebie的博客
09-28 393
本文以YOLOv5为例通过大量的代码一步步讲解如何使用TensorRT框架部署ONNX模型，主要目的是希望读者能够通过本文学习到TensorRT模型部署的基本流程，比如如何准备输入数据、如何调用API用模型做推理、如何解析模型的输出结果。如何部署YOLOv5模型并不是本文的重点，重点是要掌握使用TensorRT部署ONNX模型的基本方法，这样才会有举一反三的效果。
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
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