我正在参加「掘金·启航计划」
前言
前面我们给大家介绍了使用OpenCV以及ONNX工具包实现yolov5在LabVIEW中的部署，有英伟达显卡的朋友们可能已经感受过使用cuda加速时yolov5的速度，今天主要和大家分享在LabVIEW中使用纯TensoRT工具包快速部署并实现yolov5的物体识别，本博客中使用的智能工具包可到主页置顶博客blog.csdn.net/virobotics/…
中安装。若配置运行过程中遇到困难，欢迎大家评论区留言，博主将尽力解决。
以下是YOLOv5的相关笔记总结，希望对大家有所帮助。
| 内容 | 地址链接 |
|---|---|
| 【YOLOv5】LabVIEW+OpenVINO让你的YOLOv5在CPU上飞起来 | blog.csdn.net/virobotics/… |
| 【YOLOv5】LabVIEW OpenCV dnn快速实现实时物体识别（Object Detection） | blog.csdn.net/virobotics/… |
| 【YOLOv5】手把手教你使用LabVIEW ONNX Runtime部署 TensorRT加速，实现YOLOv5实时物体识别（含源码） | blog.csdn.net/virobotics/… |
一、关于YOLOv5
YOLOv5是在 COCO 数据集上预训练的一系列对象检测架构和模型。表现要优于谷歌开源的目标检测框架 EfficientDet，在检测精度和速度上相比yolov4都有较大的提高。本博客，我们以YOLOv5 6.1版本来介绍相关的部署开发。
YOLOv5相比于前面yolo模型的主要特点是：
1、小目标的检测精度上有明显的提高；
2、能自适应锚框计算
3、具有数据增强功能，随机缩放，裁剪，拼接等功能
4、灵活性极高、速度超快，模型超小、在模型的快速部署上具有极强优势
关于YOLOv5的网络结构解释网上有很多，这里就不再赘述了，大家可以看其他大神对于YOLOv5网络结构的解析。
二、YOLOv5模型的获取
为方便使用，博主已经将yolov5模型转化为onnx格式，可在百度网盘下载
链接：pan.baidu.com/s/15dwoBM4W…
提取码：yiku
1.下载源码
将Ultralytics开源的YOLOv5代码Clone或下载到本地，可以直接点击Download ZIP进行下载，
2.安装模块
解压刚刚下载的zip文件，然后安装yolov5需要的模块，记住cmd的工作路径要在yolov5文件夹下：
打开cmd切换路径到yolov5文件夹下，并输入如下指令，安装yolov5需要的模块
pip install -r requirements.txt
3.下载预训练模型
打开cmd，进入python环境，使用如下指令下载预训练模型：
import torch
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5n - yolov5x6, custom
成功下载后如下图所示：
4.转换为onnx模型
将.pt文件转化为.onnx文件，在cmd中输入转onnx的命令（记得将export.py和pt模型放在同一路径下）：
python export.py --weights yolov5s.pt --include onnx
如下图所示为转化成功界面
其中yolov5s可替换为yolov5myolov5myolov5lyolov5x
三、LabVIEW+TensorRT的yolov5部署实战（yolov5_trt_img.vi）
如需要查看TensorRT工具包相关vi含义，可查看：blog.csdn.net/virobotics/…
1.onnx转化为engine（onnx to engine.vi）
使用onnx_to_engine.vi，将该vi拖拽至前面板空白区域，创建并输入onnx的路径以及engine的路径，type即精度，可选择FP32或FP16，肉眼观看精度无大差别。（一般FP16模型比FP32速度快一倍）
转换的完整程序如下：
点击运行，等待1~3分钟，模型转换成功，可在刚刚设定的路径中找到我们转化好的mobilenet.engine.
Q：为什么要转换模型，不直接调用ONNX？
A：tensorRT内部加载ONNX后其实是做了一个转换模型的工作，该过程时间长、占用内存巨大。因此不推荐每次初始化都加载ONNX模型，而是加载engine。
2.部署
模型初始化
- 加载yolov5s.engine文件
- 设置输入输出缓存
• 输入大小为13640640
• 输出大小为125200*85
yolov5的预处理
- LetterBox
- blobFromImage，包含如下步骤：
1) img=img/255.0
2) img = img[None] #从(640,640,3)扩充维度至(1,640,640,3)
3) input=img.transpose(0,3,1,2) # BHWC to BCHW
模型推理
- 推荐使用数据指针作为输入给到run.vi
- 数据的大小为13640*640
获取推理结果
- 循环外初始化一个25200*85的二维数组
- 此数组作为Get_Result的输入，另一个输入为index=0
- 输出为25200*85的二维数组结果
后处理
本范例中，后处理方式和使用onnx一样
完整源码
运行结果
项目源码
关注微信公众号：VIRobotics,回复：yolov5_tensorRT，即可获取源码
附加说明
- 操作系统：Windows10
- python：3.6及以上
- LabVIEW：2018及以上 64位版本
- 视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip
- LabVIEW TensorRT工具包：virobotics_lib_tensorrt-1.0.0.22.vip
- 运行结果所用显卡：RTX3060
总结
以上就是今天要给大家分享的内容，希望对大家有用，如果有问题可以在评论区里讨论，如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299，进群请备注：LabVIEW机器视觉
如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏
