文章目录
- 前言
- 一、关于YOLOv5
- 二、YOLOv5模型的获取
- 1.下载源码
- 2.安装模块
- 3.下载预训练模型
- 4.转换为onnx模型
- 三、LabVIEW调用YOLOv5模型实现实时物体识别（yolov5_new_opencv.vi）
- 1.查看模型
- 2.参数及输出
- 3.LabVIEW调用YOLOv5源码
- 4.LabVIEW调用YOLOv5实时物体识别结果
- 总结
前言
前面我们给大家介绍了基于LabVIEW+YOLOv3/YOLOv4的物体识别（对象检测），今天接着上次的内容再来看看YOLOv5。本次主要是和大家分享使用LabVIEW快速实现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LabVIEW AI视觉工具包（非NI Vision）下载与安装教程中下载。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。
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。目前YOLOv5官方代码中，最新版本是YOLOv5 v6.1，一共给出了5个版本的模型，分别是 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五个模型（如下图所示）。这些不同的变体模型使得YOLOv5能很好的在精度和速度中权衡，方便用户选择。其中五个模型性能依次增强。比如YOLOv5n模型参数量最小，速度最快，AP精度最低；YOLOv5x模型参数量最大，速度最慢，AP精度最高。本博客，我们以YOLOv5最新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
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，
下载地址：https://github.com/ultralytics/yolov5
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.txt3.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
在yolov5之前的yolov3和yolov4的官方代码都是基于darknet框架实现的，因此opencv的dnn模块做目标检测时，读取的是.cfg和.weight文件，非常方便。但是yolov5的官方代码是基于pytorch框架实现的。需要先把pytorch的训练模型.pt文件转换到.onnx文件，然后才能载入到opencv的dnn模块里。
将.pt文件转化为.onnx文件，主要是参考了nihate大佬的博客：
将export.py做如下修改，将def export_onnx（）中的第二个try注释掉，即如下部分注释：
'''
try:
check_requirements(('onnx',))
import onnx
LOGGER.info(f'\n{prefix} starting export with onnx {onnx.__version__}...')
f = file.with_suffix('.onnx')
print(f)
torch.onnx.export(
model,
im,
f,
verbose=False,
opset_version=opset,
training=torch.onnx.TrainingMode.TRAINING if train else torch.onnx.TrainingMode.EVAL,
do_constant_folding=not train,
input_names=['images'],
output_names=['output'],
dynamic_axes={
'images': {
0: 'batch',
2: 'height',
3: 'width'}, # shape(1,3,640,640)
'output': {
0: 'batch',
1: 'anchors'} # shape(1,25200,85)
} if dynamic else None)
# Checks
model_onnx = onnx.load(f) # load onnx model
onnx.checker.check_model(model_onnx) # check onnx model
# Metadata
d = {'stride': int(max(model.stride)), 'names': model.names}
for k, v in d.items():
meta = model_onnx.metadata_props.add()
meta.key, meta.value = k, str(v)
onnx.save(model_onnx, f)'''并新增一个函数def my_export_onnx（）：
def my_export_onnx(model, im, file, opset, train, dynamic, simplify, prefix=colorstr('ONNX:')):
print('anchors:', model.yaml['anchors'])
wtxt = open('class.names', 'w')
for name in model.names:
wtxt.write(name+'\n')
wtxt.close()
# YOLOv5 ONNX export
print(im.shape)
if not dynamic:
f = os.path.splitext(file)[0] + '.onnx'
torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'], output_names=['output'])
else:
f = os.path.splitext(file)[0] + '_dynamic.onnx'
torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'],
output_names=['output'], dynamic_axes={'images': {0: 'batch', 2: 'height', 3: 'width'}, # shape(1,3,640,640)
'output': {0: 'batch', 1: 'anchors'} # shape(1,25200,85)
})
return f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yolov5m\yolov5m\yolov5l\yolov5x
三、LabVIEW调用YOLOv5模型实现实时物体识别（yolov5_new_opencv.vi）
本例中使用LabvVIEW工具包中opencv的dnn模块readNetFromONNX()载入onnx模型，可选择使用cuda进行推理加速。
1.查看模型
我们可以使用netron 查看yolov5m.onnx的网络结构，浏览器中输入链接：https://netron.app/，点击Open Model，打开相应的网络模型文件即可。
如下图所示是转换之后的yolov5m.onnx的属性：
2.参数及输出
blobFromImage参数：
size：640*640
Scale=1/255
Means=[0,0,0]
Net.forward()输出：
单数组 25200*85
3.LabVIEW调用YOLOv5源码
如下图所示，调用摄像头实现实时物体识别
4.LabVIEW调用YOLOv5实时物体识别结果
本次我们是以yolov5m.onnx为例来测试识别结果和速度的；
不使用GPU加速，仅在CPU模式下，实时检测推理用时在300ms/frame左右
使用GPU加速，实时检测推理用时为30~40ms/frame,是cpu速度的十倍多
总结
以上就是今天要给大家分享的内容，本次分享内容实验环境说明：操作系统为Windows10，python版本为3.6及以上，LabVIEW为2018及以上 64位版本，视觉工具包为博客开头提到的工具包。
