c++调用实现yolov5转onnx介绍

目录

介绍

现在很多开发都是需要用c++做最后一步的移植部署，手写吧，先不说你会不会浪费时间，网上找吧，问题千奇百怪，所以给大家出这篇文章，做雷锋教学，话不多说，开始

训练模型.pt转onnx

训练部分根据呼声再决定要不要写一份博客吧！！
注意事项：
1.训练代码一定要选择yolov5 5.0版本
2. 进入models/exprort.py；

3.将红框区域换成你自己的训练完的模型

4.将版本换成12申请账号；

5.直接运行即可，会生成出onnx的模型出来。

c++代码解析

博主使用的是opencv4.5.3版本，已经编译好的，需要直接扫码加我发你

main函数部分

读取模型利用的是dnn::readnet，opencv其实挺强大的博主已经读过tf模型，torch模型后续都会出对应博客，这里总共有三点改，输入图片path,输入类别名class_names,net部分改成自己的模型

net.t这些参数都固定就好，有兴趣的同学可以研究研究dnn_target_cpu这个地方，是可以使用gpu和cuda的，但是博主还没复现过

推理部分讲解

void postprocess(cv::mat& cv_src, std::vector<cv::mat>& outs, const std::vector<std::string>& class, int net_size){float confthreshold = 0.1f;float nmsthreshold = 0.1f;std::vector<int> classids;std::vector<float> confidences;std::vec导数除法tor<cv::rect> boxes;int strides[] = { 8, 16, 32 };std::vector<std::vector<int> > anchors ={{ 10,13, 16,30, 33,23 },{ 30,61, 62,45, 59,119 },{ 116,90, 156,198, 373,326 }};for (size_t k = 0; k < outs.size(); k++){float* data = outs[k].ptr<float>();int stride = strides[k];int num_class = outs[k].size[4] - 5;for (int i = 0; i < outs[k].size[2]; i++){for (int j = 0; j < outs[k].size[3]; j++){for (int a = 0; a < outs[k].size[1]; ++a){float* record = data + a * outs[k].size[2] * ou粉墨登场ts[k].size[3] * outs[k].size[4] +i * outs[k].size[3] * outs[k].size[4] + j * outs[k].size[4];float* cls_ptr = record + 5;for (int cls = 0; cls < num_class; cls++){float score = sigmoid(cls_ptr[cls]) * sigmoid(record[4]);if (score > confthreshold){float cx = (sigmoid(record[0]) * 2.f - 0.5f + (float)j) * (float)stride;float cy = (sigmoid(record[1]) * 2.f - 0.5f + (float)i) * (float)stride;float w = pow(sigmoid(record[2]) * 2.f, 2) * anchors[k][2 * a];float h = pow(sigmoid(record[3]) * 2.f, 2) * anchors[k][2 * a + 1];float x1 = std::max(0, std::min(cv_src.cols, int((cx - w / 2.f) * (float)cv_src.cols / (float)net_size)));float y1 = std::max(0, std::min(cv_src.rows, int((cy - h / 2.f) * (float)cv_src.rows / (float)net_size)));float x2 = std::max(0, std::min(cv_src.cols, int((cx + w / 2.f) * (float)cv_src.cols / (float)net_size)));float y2 = std::max(0, std::min(cv_src.rows, int((cy + h / 2.f) * (float)cv_src.rows / (float)net_size)));classids.push_back(cls);confidences.push_back(score);boxes.push_back(cv::rect(cv::point(x1, y1), cv::point(x2, y2)));}}}}}}std::vector<int> indices;cv::dnn::nmsboxes(boxes, confidences, confthreshold, nmsthreshold, indices);for (size_t i = 0; i < indices.size(); i++){int idx = indices[i];cv::rect box = boxes[idx];drawpred(classids[idx], confidences[idx], box.x, box.y,box.x + box.width, box.y + box.height, cv_src, class);}}

抬头部分是两大目标检测的阈值设置，然后anchors这些都不建议动，除非你在训练的时候用了你自己生成的anchors的话，就改成你自己的，然后根据训练推理后，会生成我们所对应的坐标框以及分数，将分数和狂送到容器中，dnn中有nms等底层函数哦
cv::dnn::nmsboxes(boxes, confidences, confthreshold, nmsthreshold, indices);
对应输入就可以了，然后得到我们的box,index,和置信度，接下来就到了我们的画图环节。

darpred部分

void drawpred(int classid, float conf, int left, int top, int right, int bottom, cv::mat& frame,const std::vector<std::string>& class){cv::rectangle(frame, cv::point(left, top), cv::point(right, bottom), cv::scalar(0, 255, 0), 3);std::string label = cv::format("%.2f", conf);if (!class.empty()) {cv_asrt(classid < (int)class.size());label = class[classid] + ": " + label;}int baline;cv::size labelsize = cv::gettextsize(label, cv::font_hershey_simplex, 0.5, 1, &baline);top = std::max(top, labelsize.height);cv::rectangle(frame, cv::point(left, top - round(1.5 * labelsize.height)), cv::point(lef股票红利税t + round(1.5 * labelsize.width), top + baline), cv::scalar(0, 255, 0), cv::filled);cv::puttext(frame, label, cv::point(left, top), cv::font_hershey_simplex, 0.75, cv::scalar(), 2);}

sigmod部分

inline float sigmoid(float x){return 1.f / (1.f + exp(-x));}

结尾

到此这篇关于c++考试运调用实现yolov5转onnx介绍的文章就介绍到这了,更多相关c++ yolov5转onnx内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！