darknet cpp weights模型转换成ONNX模型

最新推荐文章于 2025-10-08 07:07:41 发布

原创

最新推荐文章于 2025-10-08 07:07:41 发布 · 1.7k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #python

这篇博客详细介绍了如何将PyTorch的YOLOv4模型转换为ONNX格式。首先，你需要从指定链接下载代码文件。接着，安装onnxruntime的1.9.0版本。然后，在项目data目录下准备模型的配置文件、权重文件和测试图片。在demo_onnx.py中修改模型类别数和类别names路径。最后，运行转换脚本，设置batchsize为1。转换完成后，会生成ONNX模型及预测结果图片。

整理不易,如果觉得有用,记得点赞收藏和分享哦

1. 下载转换需要的代码文件

在下面地址下载代码文件

https://gitee.com/liangjiaxi2019/pytorch-YOLOv4

2. 安装onnxruntime

这里使用的是1.9.0版本的onnxruntime

pip3 install onnxruntime==1.9.0

3. 准备模型以及配置文件

在项目的data目录下准备转换需要的文件

需要模型架构的cfg文件,表示类别names文件,模型的权重weights文件以及一张测试图片
在这里插入图片描述

4.修改代码配置

修改demo_onnx.py文件
第56行写上当前模型预测的类别数目, 修改64行,改成实际模型的类别names文件

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

HELLOWORLD2424

关注关注

6
点赞
踩
6

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

yolov3-tiny原始weights模型转onnx模型并进行推理

weixin_38106878的博客

05-26

5818

时隔不知道多少天，我记起来我还有部分博客没写完(偷懒)，所以不能偷懒把它完成！！这篇博客的主要内容将yolov3-tiny.weights模型转换到.onnx模型；使用onnnxruntime-gpu（加速）模型推理；（不知道这里用加速形容是否合适）照片推理测试；视频文件推理测试；（注：本文用的模型为本人日常测试的时候训练出来的一个小模型，能够检测车辆、行人、人脸，但是效果有限，仅限用于本文的博客内容测试使用）接下来，我们就按照博客内容一步一步的来进行我们的学习（ctrl+c、ctrl+v）

yolov3模型部署实战weights转onnx并推理

最新发布

gitblog_00972的博客

10-08

886

你是否还在为Darknet模型无法跨框架使用而烦恼？训练好的YOLOv4模型只能在Darknet框架运行，想部署到TensorRT或OpenVINO却无从下手？本文将通过3个核心步骤，带你完成Darknet模型到ONNX格式的转换，让模型部署不再受框架限制。读完本文你将掌握：配置文件修改技巧、权重文件处理方法、ONNX模型验证流程，以及部署到其他框架的关键注意事项。 ## 准备工作：确认模型文件...

dl----darknet模型转onnx推理部署（python）

writ的博客

01-17

500

ONNX模型推理,python

转权重格式darknet转onnx转tensorrt

G的博客

03-20

1915

将darknet格式的权重转为onnx格式，然后再转为tensorrt格式首先准备好一个darknet格式的权重文件(.weights)，配置文件(.cfg)，训练集名称文件(.names) darknet转为onnx 这里我使用的是这个开源链接 https://github.com/Tianxiaomo/pytorch-YOLOv4 图1 通过一个python脚本，将darknet格式的权重，转为onnx格式，并且可以输入一张图片，这个脚本会对这张图片进行识别具体的步骤为：（1）先把上面这个gi

yolov3-tiny的darknet权重转onnx

轻舟已过万重山的博客

01-10

1903

转换固定尺寸的yolov3tiny-onnx，并修改conv和maxpool的实现方式来方便部署。

[笔记]darknet(.weights)—＞onnx—＞.engine

YaoJiawei329的博客

11-05

1195

利用Darknet训练YOLOv4，利用TensorRT部署到Jetson平台。

Pytorch版本YOLOv3模型转Darknet weights模型然后转caffemodel再转wk模型在nnie上面推理

HELLOWORLD2424的博客

05-27

2739

Pytorch版本YOLOv3模型转darknet weights模型然后转caffemodel再转wk模型在nnie上面推理文章目录Pytorch版本YOLOv3模型转darknet weights模型然后转caffemodel再转wk模型在nnie上面推理前言1. 海思nnie设备以及转换思路转换思路2. Pytorch pth模型 —— Darknet weights模型3. Darknet weights模型 —— caffemodel4. Caffemodel —— wk模型新建并且配置环境设置

yolov3_onnx模型转换，官方samples记错

cc13949459188的博客

07-18

7052

TensorRT-5.1.5.0/samples/python/yolov3_onnx 里面包含了基本的samples pip 默认安装的requirements.txt 里面的环境可能会有问题，所以还是自己搭建我是在conda 环境下装的一， yolov3_to_onnx 模型 python yolov3_to_onnx.py Traceback (most recent ca...

yolov3，yolov3-spp转onnx再转tensorrt填坑记录

下大禹了的博客

06-05

4839

1.官方代码使用python2转的onnx，比如这份代码：https://github.com/Cw-zero/TensorRT_yolo3_module 这里有份使用python3转onnx的代码：https://github.com/jkjung-avt/tensorrt_demos 2.报错ERROR: ValueError: not enough values to unpack (expected 2, got 1) yolov3.cfg文件使用官方提供的，有两点需注意：一.两层之间至少有1条空线

Darknet yolov4 转onnx

qq_43318374的博客

12-13

5888

前段时间，自己瞎搞，需要把Darknet yolov4转成onnx格式，在此记录一下过程。我们需要在github上下载以为大佬写好的转换代码 https://github.com/Tianxiaomo/pytorch-YOLOv4 执行如下命令: cd pytorch-YOLOv4 python3 demo_darknet2onnx.py ./yolov4.cfg ./data/coco.names ./yolov4.weights ./data/dog.jpg 1 然后会得到onnx 并且会预测一

yolov7-tiny.weigths转onnx模型

06-01

仓库内含有一份代码名为darknet2onnx.py即为所需代码

darknet-yolov4.weights转onnx源码+官方转成的onnx模型+测试onnx模型推理脚本源码.7z

11-15

将yolov4.weights转成onnx模型命令： python demo_darknet2onnx.py <cfgFile> <namesFile> <weightFile> <imageFile> <batchSize> 转换后项目目录会多个yolov4_1_3_608_608_static.onnx 测试这个onnx执行 python demo_yolov4_onnx.py 执行完毕会生成一个predictions_onnx.jpg打开查看测试效果压缩包里面提供了一个我用官方yolov4.weights转成的onnx模型并测试过图片没有发现问题

yolov3_to_onnx:将keras yolov3转换为onnx yolov3

04-08

yolov3_to_onnx版本（Docker / requirements.txt） tensorflow==1.13.2 keras==2.2.4 keras2onnx==1.5.1 onnxconverter-common==1.6.0 onnx==1.6.0 yolov3_to_onnx的整个运行过程（本例是onlov的yolov3-tiny） ./run.sh 将keras yolov3转换为onnx python3 keras_yolov3_onnx_convert.py ${YOLOV3-WEIGHT} 'anchors_classes/face_classes.txt' 'anchors_classes/tiny_yolo_anchors.txt' ${ONNX_NAME} 推理 python3 inference.py ${ONNX_NAME} 推论结果输入输出

darknet 19 模型文件

12-02

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。Darknet的优势： darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化； darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）；正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展

转化yolov2的weights和cfg文件到onnx

weixin_42388228的博客

05-19

1164

修改https://github.com/purelyvivid/yolo2_onnx/blob/master/darknet.py 151行为 pad = int((kernel_size-1)/2) if is_pad else 0 在https://github.com/purelyvivid/yolo2_onnx/blob/master/Onnx.py中的最下方添加如下代码转化yolov2的weights和cfg文件到onnx def onnx_file_export(model, onnxfil

YOLOv4模型转换 | Darknet2ONNX | Pytorch2ONNX | ❤️ONNX2TensorRT 推理❤️ |【yolov4 模型转换】

专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化

09-26

1566

文章目录Darknet2ONNXPytorch2ONNX简单解析【转换得到特定 batch_size 的 onnx】示例转换命令如下ONNX2TensorRT 【待更新】 git clone https://github.com/Tianxiaomo/pytorch-YOLOv4.git cd pytorch-YOLOv4/ mkdir weights Darknet2ONNX # 激活一个适配环境 conda activate tf25 # cmd 参数解析 python demo_d

yolov3: .pth -＞ .weights -＞ onnx -＞trt

nuo112的博客

04-04

1228

1..pth -> .weights .pth是什么文件_Pytorch Yolov3：.pth模型转.weights模型（Darknet模型）_weixin_39867212的博客-优快云博客源代码： https://github.com/eriklindernoren/PyTorch-YOLOv31、起因在打包的项目中，不希望引入过多的组件（比如tensorflow，pytorch等等），并且软件的目标用户也不是程序员（因而也不会自己装好这些软件）。所以我们最终选择在软件内仅引入opencv.

如何在Ubuntu系统中使用C++和OnnxRuntime来部署YOLOv8模型？

10-28

要在Ubuntu系统上使用C++和ONNX Runtime部署YOLOv8模型，你需要按照以下步骤操作： 1. **安装必要的依赖**: - 首先，确保你的Ubuntu系统已经安装了C++和基本的开发工具包。运行 `sudo apt-get install build-essential cmake git`。 - 安装ONNX Runtime。访问ONNX Runtime GitHub页面 (https://github.com/onnx/onnxruntime) 下载源码，然后通过`cmake` 和 `make` 来构建它。例如： ``` git clone https://github.com/microsoft/onnxruntime.git cd onnxruntime mkdir build cd build cmake .. make -j$(nproc) sudo make install ``` 2. **下载和准备YOLOv8模型**: - 从Yolov4官方GitHub仓库获取YOLOv8模型（https://github.com/AlexeyAB/darknet）。注意选择适合的版本并解压。 - 将YOLOv8模型转换成ONNX格式，通常你可以使用Darknet本身将`.weights` 文件转换，如`darknet2onnx` 工具。 3. **加载模型到ONNX Runtime**: 使用ONNX Runtime的API，读取并加载转换后的ONNX模型文件。示例代码片段如下： ```cpp #include <onnxruntime/ort_inference.h> // ... Ort::Env env; std::ifstream model_file("yolov8.onnx"); const char* model_data = new char[model_file.tellg()]; model_file.read(model_data, model_file.tellg()); OrtSession ort_session(env, model_data, model_data + model_file.tellg(), nullptr); delete[] model_data; ``` 4. **编写推理代码**: 编写C++代码来处理输入数据，调用ORT Session进行推理，并解析输出结果。YOLOv8的输出需要进一步处理才能得到目标检测的结果。 5. **测试和优化性能**: 测试你的程序，确保模型能够正常工作。如果需要，可以调整模型的输入尺寸、批大小等参数来优化性能。 6. **注意事项**: - YOLOv8模型可能会有自定义层，确保ONNX Runtime支持它们或者提供相应的插件。 - 如果遇到跨平台兼容性问题，检查模型是否经过正确地量化或对ONNX Runtime做了适当的配置。