前言

前面我們給大家介紹了使用OpenCV以及ONNX工具包實現(xiàn)yolov5在LabVIEW中的部署，有英偉達顯卡的朋友們可能已經(jīng)感受過使用cuda加速時yolov5的速度，今天主要和大家分享在LabVIEW中使用純TensoRT工具包快速部署并實現(xiàn)yolov5的物體識別， 本博客中使用的智能工具包可到主頁置頂博客[https://blog.csdn.net/virobotics/article/details/129304465]
中安裝 。若配置運行過程中遇到困難，歡迎大家評論區(qū)留言，博主將盡力解決。

以下是YOLOv5的相關筆記總結，希望對大家有所幫助。

一、關于YOLOv5

YOLOv5是在 COCO 數(shù)據(jù)集上預訓練的一系列對象檢測架構和模型。表現(xiàn)要優(yōu)于谷歌開源的目標檢測框架 EfficientDet，在檢測精度和速度上相比yolov4都有較大的提高。本博客，我們以YOLOv5 6.1版本來介紹相關的部署開發(fā)。

YOLOv5相比于前面yolo模型的主要特點是：
1、小目標的檢測精度上有明顯的提高；
2、能自適應錨框計算
3、具有數(shù)據(jù)增強功能，隨機縮放，裁剪，拼接等功能
4、靈活性極高、速度超快，模型超小、在模型的快速部署上具有極強優(yōu)勢

關于YOLOv5的網(wǎng)絡結構解釋網(wǎng)上有很多，這里就不再贅述了，大家可以看其他大神對于YOLOv5網(wǎng)絡結構的解析。

二、YOLOv5模型的獲取

為方便使用， 博主已經(jīng)將yolov5模型轉化為onnx格式 ，可在百度網(wǎng)盤下載
鏈接：[https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku]
提取碼：yiku

1.下載源碼

將Ultralytics開源的YOLOv5代碼Clone或下載到本地，可以直接點擊Download ZIP進行下載，

下載地址：[https://github.com/ultralytics/yolov5]

2.安裝模塊

解壓剛剛下載的zip文件，然后安裝yolov5需要的模塊，記住cmd的工作路徑要在yolov5文件夾下：

打開cmd切換路徑到y(tǒng)olov5文件夾下，并輸入如下指令，安裝yolov5需要的模塊

pip install -r requirements.txt

3.下載預訓練模型

打開cmd，進入python環(huán)境，使用如下指令下載預訓練模型：

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom

成功下載后如下圖所示：

4.轉換為onnx模型

將.pt文件轉化為.onnx文件，在cmd中輸入轉onnx的命令（記得將export.py和pt模型放在同一路徑下）：

python export.py --weights yolov5s.pt --include onnx

如下圖所示為轉化成功界面

其中yolov5s可替換為yolov5myolov5myolov5lyolov5x

三、LabVIEW+TensorRT的yolov5部署實戰(zhàn)（yolov5_trt_img.vi）

如需要查看TensorRT工具包相關vi含義，可查看：[https://blog.csdn.net/virobotics/article/details/129492651]

1.onnx轉化為engine（onnx to engine.vi）

使用onnx_to_engine.vi，將該vi拖拽至前面板空白區(qū)域，創(chuàng)建并輸入onnx的路徑以及engine的路徑，type即精度，可選擇FP32或FP16，肉眼觀看精度無大差別。（一般FP16模型比FP32速度快一倍）

轉換的完整程序如下：

點擊運行，等待1~3分鐘，模型轉換成功，可在剛剛設定的路徑中找到我們轉化好的mobilenet.engine.

Q：為什么要轉換模型，不直接調用ONNX？> A：tensorRT內部加載ONNX后其實是做了一個轉換模型的工作，該過程時間長、占用內存巨大。因此不推薦每次初始化都加載ONNX模型，而是加載engine。

2.部署

模型初始化

1. 加載yolov5s.engine文件
2. 設置輸入輸出緩存
   ? 輸入大小為13640640
   ? 輸出大小為125200*85
   

yolov5的預處理

1. LetterBox
2. blobFromImage，包含如下步驟：

1) img=img/255.0
2) img = img[None] #從(640,640,3)擴充維度至(1,640,640,3)
3) input=img.transpose(0,3,1,2) # BHWC to BCHW

模型推理

1. 推薦使用數(shù)據(jù)指針作為輸入給到run.vi
2. 數(shù)據(jù)的大小為13640*640
   

獲取推理結果

1. 循環(huán)外初始化一個25200*85的二維數(shù)組
2. 此數(shù)組作為Get_Result的輸入，另一個輸入為index=0
3. 輸出為25200*85的二維數(shù)組結果

后處理

本范例中，后處理方式和使用onnx一樣

完整源碼

運行結果

項目源碼

源碼下載鏈接：https://pan.baidu.com/s/1y0scJ8tg5nzjJK4iPvNwNQ?pwd=yiku

附加說明

• 操作系統(tǒng)：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• 視覺工具包：techforce_lib_opencv_cpu-1.0.0.98.vip
• LabVIEW TensorRT工具包：virobotics_lib_tensorrt-1.0.0.22.vip
• 運行結果所用顯卡：RTX3060

審核編輯 黃宇

??