Object Detection 【YOLOv5】LabVIEW+YOLOv5快速实现实时物体识别含源码( 二 ) _生活百科

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

文章插图
其中yolov5s可替换为yolov5m\yolov5m\yolov5l\yolov5x

文章插图
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。