'''
    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)'''

并新增一個(gè)函數(shù)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中輸入轉(zhuǎn)onnx的命令（記得將export.py和pt模型放在同一路徑下）：

python export.py --weights yolov5s.pt --include onnx

如下圖所示為轉(zhuǎn)化成功界面

其中yolov5s可替換為yolov5m\\yolov5m\\yolov5l\\yolov5x

四、LabVIEW使用TensorRT加速YOLOv5，實(shí)現(xiàn)實(shí)時(shí)物體識(shí)別（yolov5_new_onnx.vi）

1.LabVIEW調(diào)用YOLOv5源碼

2.識(shí)別結(jié)果

選擇加速方式為：TensorRT

使用TensorRT加速，實(shí)時(shí)檢測(cè)推理用時(shí)為****20~30ms/frame ,比單純使用cuda加速快了30%，同時(shí)沒(méi)有丟失任何的精度。博主使用的電腦顯卡為1060顯卡，各位如果使用30系列的顯卡，速度應(yīng)該會(huì)更快。**

**

可關(guān)注微信公眾號(hào)：VIRobotics ，回復(fù)關(guān)鍵詞：yolov5_onnx ，進(jìn)行源碼下載

五、純CPU下opencv dnn和onnx工具包加載YOLOv5實(shí)現(xiàn)實(shí)時(shí)物體識(shí)別推理用時(shí)對(duì)比

1、opencv dnn cpu下YOLOv5推理速度為：300ms左右/frame

2、onnx工具包c(diǎn)pu下YOLOv5推理速度為：200ms左右/frame

對(duì)比我們發(fā)現(xiàn)，同樣使用cpu進(jìn)行推理，onnx工具包推理速度要比opencv dnn推理速度快30%左右。

附加說(shuō)明：計(jì)算機(jī)環(huán)境

• 操作系統(tǒng)：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• 視覺(jué)工具包：virobotics_lib_onnx_cuda_tensorrt-1.0.0.11以上版本

總結(jié)

以上就是今天要給大家分享的內(nèi)容。大家可根據(jù)鏈接下載相關(guān)源碼與模型。

如果文章對(duì)你有幫助，歡迎關(guān)注、點(diǎn)贊、收藏

審核編輯 黃宇