利用yolov5进行图像识别(无英伟达显卡,使用CPU版pytorch)

  1. 安装anaconda,python,PyCharm
  2. 下载yolov5压缩包,解压到d盘 地址:GitCode - 全球开发者的开源社区,开源代码托管平台
  3. Win+r,运行:
conda create -n yolov5 python=3.8

#第一步创建虚拟环境,yolov5是自拟的环境名,可以更改

activate yolov5 

#创建yolo环境

conda install pytorch torchvision torchaudio cpuonly -c pytorch

#安装cpu版本的pytorch

  1. 安装yolov5所需库

需要通过anaconda prompt 进入yolov5环境中,按照下图cdyolov5根目录下。

#进入yolov5的根目录(最内部的一个同名文件夹yolov5-master)后,安装所需库。

  1. Pycharm打开yolov5(可直接将最外部的同名文件夹yolov5-master拖入PyCharm打开),

    如果你的pycharm终端路径前有(ps),则说明终端使用的powershell.

    修改shell路径和默认标签页名称:

  2. ps就会消失,若仍未消失,可以尝试右击yolov5文件在终端打开。

  3. 配置环境:
  4. 进入yolov5源码页面:https://github.com/ultralytics/yolov5?tab=readme-ov-file

选择yolov5s.pt,点击蓝字下载,并将其复制在yolov5的根目录(最内部的一个同名文件夹yolov5-master)里。

  1. 在yolov5的根目录(最内部的一个同名文件夹yolov5-master)里找到detect.py文件,用PyCharm打开,点击右上角绿色小三角运行代码。
  2. 被识别图片存储地址:D:\yolov5-master\yolov5-master\data\images

运行后识别结果存储地址:D:\yolov5-master\yolov5-master\runs\detect

运行结果:

(这基本上是我跟几个csdn大佬教程做下来的,经常因为某些步骤和我情况不符无法进行,形成了一个最终成功的步骤版本,记录一下。详细步骤图文站内大佬们都有。)

### 加速YOLOv8模型推理过程 #### 硬件优化措施 为了提升YOLOv8的推理速度,可以采用高性能计算资源。GPU具有并行处理能力,能够显著加快卷积神经网络运算效率[^1]。此外,使用专用AI加速如NVIDIA TensorRT或Intel Movidius Myriad X VPU也能有效提高性能。 #### 软件配置建议 安装CUDA和cuDNN库可使框架更好地利用英伟达显卡特性;设置环境变量`OMP_NUM_THREADS=1`能减少多线程竞争带来的开销。对于PyTorch用户来说,启用JIT编译模式有助于进一步缩短执行时间。TensorFlow Lite则是移动设备上部署的理想选择,它支持量化感知训练以减小模型尺寸而不损失太多准确性[^2]。 #### 代码层面调整策略 ##### 模型剪枝与压缩 移除冗余参数降低复杂度的同时保持原有功能不变。常用方法有: - **权重裁剪**:删除绝对值较小的连接权; - **通道修剪**:去除贡献较低特征图对应的滤波器组。 ```python import torch.nn.utils.prune as prune def apply_pruning(model, amount=0.2): for name, module in model.named_modules(): if isinstance(module, torch.nn.Conv2d): prune.l1_unstructured(module, 'weight', amount) ``` ##### 动态/静态量化 将浮点数转换成整型表示形式,既节省存储空间又利于嵌入式平台运行。动态范围内的近似操作适用于输入数据分布较为稳定的情况;而全量化的方案则更通用但可能引入额外误差。 ```python from torchvision import models model = models.mobilenet_v2(pretrained=True).eval() quantized_model = torch.quantization.convert(torch.quantization.prepare(model)) ``` ##### 图像预处理简化 适当放宽对原始图片质量的要求,在不影响最终识别率的前提下尽可能缩小分辨率、色彩深度等规格指标。这一步骤往往能在不牺牲太多精度的情况下获得可观的速度增益。 ```python transform = transforms.Compose([ transforms.Resize((640, 640)), # 统一大小至适合网络输入的形式 transforms.ToTensor(), ]) img_tensor = transform(img_pil) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值