YOLOV5部署全系列教程（1）
为防止以后方便查看与学习，特此记录自己部署全系列中遇到的一些问题和部署步骤。本文建立在U版yolov5已经运行基于自己的数据集导出了pt模型文件，若后续有时间，会简单记录一下yolov5自定义数据集训练部分。
本系列目前主要采用两个方面的部署，一个是基于ncnn的安卓软件编译部署，另一个是基于tensorRT的nvidia jetson xavier NX 系列开发板的部署。
文章目录
- YOLOV5部署全系列教程（1）
- 一、ncnn软件部署
- 二、具体步骤
- 1.onnx模型导出
- 2.apk编译
一、ncnn软件部署
整个部署过程我会尽可能详细的记录，大致整体流程可以分为pt模型文件—>onnx—>ncnn格式文件（.param和.bin文件）—>apk的编译。
二、具体步骤
1.onnx模型导出
u版的yolov5代码库中有自带的export.py文件，因此导出onnx模型很简单，
将.pt文件用onnx转化为.onnx文件
首先可以将训练好的权重文件放到models文件夹下，cd到根目录下，（若在其他目录下执行可能会出现找不到models模块问题）执行以下语句：
python models/export.py --weights models/yolov5s.pt --img 640 --batch 1
python -m onnxsim models/yolov5s.onnx best-sim.onnx得到以下结果说明成功导出onnx模型
然后分别cd到安装编译好的ncnn目录下，ncnn/build/tools/ncnn/和ncnn/build/tools/ 找到onnx2ncnn和ncnnoptimize两个可执行文件，可以复制到yolov5-4.0的文件夹下，方面之后操作，运行以下语句：
./onnx2ncnn best-sim.onnx yolov5s.param yolov5s.bin
在使用onnx2ncnn转换为 ncnn 模型时，会输出很多 Unsupported slice step，这是focus模块转换的报错，只需gedit打开yolov5s.param修改部分参数，重要的已标红。
下图为修改后的
删掉 Split、Crop、Concat 层，新增YoloV5Focus层，一共减少9行，将开头的185减去9，改写为176。
最后最重要的参数，最后的 Reshape 层，把输出数量改为 -1 ，否则最终导出的apk，测试时会有很多框。具体如下图，将6400，1600，400，全部改写为-1.
最后用 ncnnoptimize 优化模型，ncnnoptimize 工具会自动将无用的 MemoryData 删除。
./ncnnoptimize yolov5s.param yolov5s.bin yolov5s-opt.param yolov5s-opt.bin 65536至此，整个模型转化的部分已经完成。
（5.0的版本可以看这里，）
5.0版本export文件不进行修改会出现如下三层输出，
需要在文件中修改找到这行代码，
torch.onnx.export(model, img, f, training=TrainingMode.TRAINING, verbose=False, opset_versinotallow=12, input_names=[‘images’],
dynamic_axes={‘images’: {0: ‘batch’, 2: ‘height’, 3: ‘width’}, # size(1,3,640,640)
‘output’: {0: ‘batch’, 2: ‘y’, 3: ‘x’}} if opt.dynamic else None)
添加 training=TrainingMode.TRAINING
并在文件开始导入相关模块
import torch._C as _C
TrainingMode = _C._onnx.TrainingMode
(最新的版本作者已经修改了export.py文件，可以尝试直接导出，如果有问题，还是建议直接采用4.0版本)
2.apk编译
关于后处理这块，网上有很多，但不知道为什么大部分，其他很多编译通过后，导出的apk都存在闪退的问题，只有这个https://github.com/djh123/yolov5Android，目前本人使用，可以完美运行。
整个流程是通过Android studio 进行编译，整体编译中存在不少问题，首先主要讲一下后处理代码的这部分修改。
首先打开文件夹，用我们刚刚导出的文件替换掉assets文件夹中bin文件和param文件。
然后打开cpp文件夹中yolov5.h文件，修改分类为自己数据集的标签。
其次，修改输出层信息，将其中的761，741，修改为自己param文件中的具体数值。可以通过netron进行可视化查看，如图我这里是437和417，双击permute可显示输出层数。
最后，同理在java的文件夹中也要进行修改box.java中的标签信息。
至此完成所有准备工作，进行编译。
在编译中本人也遇到了一部分问题，由于当时未进行记录，这里就先不进行撰写了，如果大家遇到了欢迎大家提问，我会尽可能的解答。
