前面我们给大家介绍了使用OpenCV以及ONNX工具包实现yolov5在LabVIEW中的部署，有英伟达显卡的朋友们可能已经感受过使用cuda加速时yolov5的速度，今天主要和大家分享在LabVIEW中使用纯TensoRT工具包快速部署并实现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[https://blog.csdn.net/virobotics/article/details/]
中安装 。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。
以下是YOLOv5的相关笔记总结，希望对大家有所帮助。
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。本博客，我们以YOLOv5 6.1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。
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
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]
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
打开cmd，进入python环境，使用如下指令下载预训练模型：
成功下载后如下图所示：
将.pt文件转化为.onnx文件，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）：
如下图所示为转化成功界面
其中yolov5s可替换为yolov5myolov5myolov5lyolov5x
如需要查看TensorRT工具包相关vi含义，可查看：[https://blog.csdn.net/virobotics/article/details/]
使用onnx_to_engine.vi，将该vi拖拽至前面板空白区域，创建并输入onnx的路径以及engine的路径，type即精度，可选择FP32或FP16，肉眼观看精度无大差别。（一般FP16模型比FP32速度快一倍）
转换的完整程序如下：
点击运行，等待1~3分钟，模型转换成功，可在刚刚设定的路径中找到我们转化好的mobilenet.engine.
Q：为什么要转换模型，不直接调用ONNX？> A：tensorRT内部加载ONNX后其实是做了一个转换模型的工作，该过程时间长、占用内存巨大。因此不推荐每次初始化都加载ONNX模型，而是加载engine。
- 加载yolov5s.engine文件
- 设置输入输出缓存
• 输入大小为13640640
• 输出大小为125200*85
- LetterBox
- blobFromImage，包含如下步骤：
- 推荐使用数据指针作为输入给到run.vi
- 数据的大小为13640*640
- 循环外初始化一个25200*85的二维数组
- 此数组作为Get_Result的输入，另一个输入为index=0
- 输出为25200*85的二维数组结果
本范例中，后处理方式和使用onnx一样
源码下载链接：https://pan.baidu.com/s/1y0scJ8tg5nzjJK4iPvNwNQ?pwd=yiku
- 操作系统：Windows10
- python：3.6及以上
- LabVIEW：2018及以上 64位版本
- 视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip
- LabVIEW TensorRT工具包：virobotics_lib_tensorrt-1.0.0.22.vip
- 运行结果所用显卡：RTX3060
审核编辑 黄宇
到此这篇pointnet++代码（pointer network原理和代码）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/34277.html