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YOLOv5YOLOv5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：https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku 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，
下载地址：https://github.com/ultralytics/yolov5
文章插图
2.安装模块【Object Detection 【YOLOv5】LabVIEW+YOLOv5快速实现实时物体识别含源码】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：
文章插图
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# Modelmodel = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5n - yolov5x6, custom成功下载后如下图所示：
文章插图
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：https://blog.csdn.net/nihate/article/details/112731327
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)'''
经验总结扩展阅读
- 喷了杀虫剂可以开空调吗
- 木鱼花怎么吃
- 奥运会意义何在
- 一斤苦瓜泡多少酒
- 转化糖浆的作用与用途
- 20公里跑步要多久时间
- 爆炸盐可以放洗衣机洗衣服吗
- 高粱米和大米一起煮饭能熟吗
- 盐湖的盐能直接食用吗
- 证件照标准