目录
- 介绍
- 训练模型.pt转onnx
- c++代码解析
- main函数部分
- 推理部分讲解
- darpred部分
- sigmod部分
- 结尾
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;
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.set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>& classes, int net_size) { float confthreshold = 0.1f; float nmsthreshold = 0.1f; std::vector<int> classids; std::vector<float> confidences; std::vector<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_classes = 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] * outs[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_classes; 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, classes); } }
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>& classes) { 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 (!classes.empty()) { cv_assert(classid < (int)classes.size()); label = classes[classid] + ": " + label; } int baseline; cv::size labelsize = cv::gettextsize(label, cv::font_hershey_simplex, 0.5, 1, &baseline); top = std::max(top, labelsize.height); cv::rectangle(frame, cv::point(left, top - round(1.5 * labelsize.height)), cv::point(left + round(1.5 * labelsize.width), top + baseline), 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++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<计算机技术网(www.ctvol.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<计算机技术网(www.ctvol.com)!!>!
需要了解更多c/c++开发分享c++调用实现yolov5转onnx介绍,都可以关注C/C++技术分享栏目—计算机技术网(www.ctvol.com)!
本文来自网络收集,不代表计算机技术网立场,如涉及侵权请联系管理员删除。
ctvol管理联系方式QQ:251552304
本文章地址:https://www.ctvol.com/c-cdevelopment/980731.html