yoloV5-v3.0-模型转换，pt-＞onnx-＞ncnn

个人微信公众号

版本要求

yolov5的版本是v3.0

pytorch==1.5.0
torchvision==0.6.0

模型训练

网上有很多关于yoloV5训练的教程，可自行百度，如果实在不想找，可以参考下面的几个链接。

• 【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）
• 【小白CV教程】Pytorch训练YOLOv5并量化压缩（VOC格式数据集）
• 【小白CV教程】Pytorch训练YOLOv5并量化压缩（VOC格式数据集）
• Pytorch 版YOLOV5训练自己的数据集
• yolov5人脸识别(yolov5-facenet-svm)
• YOLOv5利用ncnn部署系列(1-3)
• 第二章：YOLOv5训练自己的数据集，零基础小白都能看得懂的教程。YOLOv5 实现目标动态实时检测（训练自己的数据集实现王者荣耀游戏中的识别）
• yolov5的flask部署python调用,NCNN,TensorRT,deepsort
• 训练pytorch_yoloV5

pt转onnx

训练结束以后，可以得到last.pt文件，接下来就是如何将pt文件转成为onnx文件了。

修改common.py

注意！YOLOv5在转onnx的时候，有个巨坑，就是在网络模型中有个Focus机制，其中有一个tensor的切片操作，这个操作在转ncnn的时候不被支持，需要对这个模型的切片操作进行修改！
具体的修改是在models文件夹下的common.py文件，其原始代码如下：

class Focus(nn.Module):
    # Focus wh information into c-space
    def __init__(self, c1, c2, k=1):
        super(Focus, self).__init__()
        self.conv = Conv(c1 * 4, c2, k, 1)

    def forward(self, x):  # x(b,c,w,h) -> y(b,4c,w/2,h/2)
        # return self.conv(torch.cat([x, x, x, x], 1)) 
        return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))

修改为

class Focus(nn.Module):
    # Focus wh information into c-space
    def __init__(self, c1, c2, k=1):
        super(Focus, self).__init__()
        self.conv = Conv(c1 * 4, c2, k, 1)

    def forward(self, x):  # x(b,c,w,h) -> y(b,4c,w/2,h/2)
        return self.conv(torch.cat([x, x, x, x], 1)) 
        # return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))

转换命令

 export PYTHONPATH="$PWD" && python models/onnx_export.py --img-size 320 320

到这里为止，就已经将pt模型转为了onnx模型，可以说已经脱离了pytorch了，但是转ncnn还需要对模型做一个Simplifier操作，因为转出的onnx模型还有许多冗余，这在ncnn里也是不支持的，避免转ncnn时各种报错，就先操作一下把！

python -m onnxsim  yolov5s.onnx yolov5s-sim.onnx

onnx转ncnn

这里直接用大佬开发好的转换工具直接转换

https://convertmodel.com/

如果没有报错，恭喜你转换成功，如果没有成功，那再返回到上面的步骤，多试几次吧~~~

参考

• https://convertmodel.com/
• https://github.com/ultralytics/yolov5/releases/tag/v3.0
• YOLOv5利用ncnn部署系列(二)
• https://github.com/DataXujing/YOLO-v5