OpenCv —— Win10使用OpenCv调用Yolov5的.pt导出的.onnx模型进行测试【GPU版Cv】(附源码、附CV编译视频)

已于 2025-04-24 17:22:04 修改
阅读量786 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： OpenCv Python 文章标签： opencv YOLO
于 2023-02-28 14:28:22 首次发布
automoblie0
本文链接：https://blog.youkuaiyun.com/automoblie0/article/details/129261009
该博客介绍了在Win10环境下，如何使用OpenCV加载并运行从YOLOv5的.pt模型转换而来的.onnx模型。详细步骤包括模型转换和OpenCV代码实现，并提供了相关源码和编译视频教程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv C++ GPU部署方式：ONNX Runtime计算机视觉
LgvrApplescript的博客
09-22 437
通过使用ONNX Runtime库，我们可以在C++和GPU环境中高效地部署YOLOv模型进行计算机视觉任务。首先，将YOLOv模型转换为ONNX格式，然后使用ONNX Runtime库加载并运行模型，最后处理输出数据。在将模型部署到C++和GPU环境之前，我们需要将YOLOv模型转换为ONNX格式。接下来，我们将使用ONNX Runtime库在C++和GPU环境中进行YOLOv模型的推理。在上述代码中，我们首先加载了模型，并设置了一些会话选项，例如线程数和图优化级别。然后，我们准备输入数据，并使用。
OpenCv —— Win10使用OpenCv调用Yolov5的.pt导出的.onnx模型进行测试【CPU版Cv】(附源码、附CV编译视频)
02-27 1456
OpenCv —— Win10使用OpenCv调用Yolov5的.pt导出的.onnx模型进行测试
opencv 调用 pytorch训练好的模型
Ring__Rain的博客
03-01 3809
#include "pch.h" #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> #include <iostream> using namespace cv; using namespace cv::dnn; using namespace std; int main(int argc, char **argv) { .
【yolov8】模型导出----pytorch导出为onnx模型
热门推荐
qq_43755954的博客
09-26 1万+
下表详细介绍了将YOLO 模型导出为不同格式时可用的配置和选项。这些设置对于优化导出模型的性能、大小以及在不同平台和环境中的兼容性至关重要。动态输入尺寸允许导出的模型处理不同的图像尺寸，为不同的使用案例提供灵活性并优化处理效率。在导出为ONNX 或TensorRT 等格式时，启用动态输入尺寸可确保模型能无缝适应不同的输入形状。YOLOv8 导出到TensorRT 的模型速度最高可达GPU 的 5 倍，是实时推理应用的理想选择。INT8 量化是压缩模型和加快推理速度的绝佳方法，尤其是在边缘设备上。
Windows下编译onnx 1.18.0 支持DirectML
最新发布
huzhifei的专栏
04-30 505
这里主要介绍在Windows 10下编译v1.18.0版本DLL文件，有个很重要的前提必须可以科学上网第一步:下载代码第二步:开始编译1.进入onnxruntime目录执行命令:可以看到这里是执行bat文件，启动借助python脚本编译。
YOlOv8 ONNXRunTime-gpu 推理
wsfeimo的博客
05-14 2071
(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。显示检测结果，获取检测目标框，输出检测框，打印检测标签，保存检测结果为.bmp（其它格式文件会降低算法执行保存速率，其它格式需要系统会进行压缩，影响执行速率）根据YOLOv8官方文档介绍，通过使用model.export()将.pt文件转为.onnx文件。将符合检测要求的目标框，添加至预测坐标中。将检测模型转到GPU中推理。
YOLOV5（二）：将pt转为onnx模型并用opencv部署
abandononeself的博客
07-28 6221
将yolov5s训练的火焰数据的pt权重改为可用opencv识别的onnx。
记录OpenCV调用YOLOv5的pt模型转换后的onnx
m0_46749624的博客
01-09 3216
参考网络上很多大佬的文章，避免了很多坑，特此记录一下。 使用了最新的yolov5-6.0训练，opencv3推理 pt转换成onnx还算顺利，调用推理时便报了错，上网一查发现是坑，有的大佬说是slice https://blog.csdn.net/nihate/article/details/112731327 还有的大佬说是“在网络结构中有一层B, N, C = inputs.shape torch.zeros(B, C, dtype=torch.long, device=device)是根据已有
2-python opencv 实现深度学习yolov5部署
yaominh_2017的博客
01-20 764
python实现深度学习yolov5部署问题
【深度学习】【Opencv】【GPU】python/C++调用onnx模型
yangyu0515的博客
10-16 7231
【深度学习】【Opencv】【GPU】python/C++调用onnx模型
openCV调用YOLOv5 ONNX模型
爱她就要努力
11-08 2087
更改完成之后，使用netron查看导出的onnx模型，可发现上述操作把YOLO层的三个输出合并为一个输出，格式类似yolov4的格式。我做了一个夜间车辆检测，下面贴出运行结果。感觉检测结果边框有点变形，回头再看看哪出错了。调用导出的onnx，本文使用的openCV版本为4.5.1，使用4.4版本的可能会出现错误。//纠正之前边框检测不准确的问题(2022-06-31)//获取每一行的box框中含有某个物体的概率。//结果每个id对应置信度数组。//输出的网络宽度是类别数+5。
python 用opencv调用训练好的模型进行识别的方法
09-19
今天小编就为大家分享一篇python 用opencv调用训练好的模型进行识别的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch读取图像数据转成opencv格式实例
09-16
主要介绍了pytorch读取图像数据转成opencv格式实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python —— Windows10下通过Opencv-dnn推理Yolov5的分割模型（pt转onnx）（附源码）
05-10 759
Python —— Windows10下通过Opencv-dnn推理Yolov5的分割模型（pt转onnx）（附源码）
模型实战（4）之Win10下VS2019+opencv部署yolov5实现目标检测
yohnyang的博客
12-29 1100
模型实战（4）之Win10下VS2019+opencv部署yolov5实现目标检测
c ++ opencv dnn详解编写yolov5 onnx推理代码
qq_43585355的博客
07-12 840
opencv dnn推理yolov5 onnx模型
1.1 yolov5 使用 onnx模型
11-06 1598
首先需要有一个python的虚拟环境，需要下载 Anaconda3-2024.10-1-Windows-x86_64.exe。coco.names 的文件内容放在下面了 ，自己创建。下载在写运行另外一个python文件来做识别。下载完成后，在anaconda的控制台运行。这样就初始化完成生成了 onnx模型文件。下来就是运行python代码。运行下来的3条命令，
YOLOv5 Windows环境下的C++部署（GPU）
qq_43349822的博客
05-05 1万+
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例
ubuntu yolov5实战
03-23
### Ubuntu 上实现 YOLOv5 的教程与示例代码 #### 1. 环境准备 为了成功运行 YOLOv5，在 Ubuntu 20.04 中需要完成 CUDA 和 TensorRT 的安装。这可以通过 Anaconda 来简化依赖管理过程[^2]。 ```bash sudo apt update && sudo apt upgrade -y wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update sudo apt-get install -y cuda ``` 接着，通过以下命令验证 CUDA 是否正常工作： ```bash nvcc --version nvidia-smi ``` 如果显示 GPU 驱动程序和 CUDA 已正确加载，则可以继续下一步。 --- #### 2. 安装 PyTorch 及其他依赖项 YOLOv5 基于 PyTorch 构建，因此需确保已安装最新版的 PyTorch 并匹配当前系统的 CUDA 版本。 ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install numpy opencv-python matplotlib pyyaml tqdm scikit-image scipy ``` 上述命令会自动检测并适配本地 CUDA 版本到合适的 PyTorch 轮子文件中。 --- #### 3. 下载 YOLOv5 模型及其权重 克隆官方仓库并将预训练模型下载至指定路径。 ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt python detect.py --source data/images/zidane.jpg --weights yolov5s.pt ``` 注意：如果不显式提供 `--weights` 参数，默认情况下脚本会尝试从远程服务器拉取最新的 `.pt` 文件。这种行为可能导致版本不一致问题，从而引发错误[^3]。 --- #### 4. 使用 ONNX 导出模型 ONNX 是一种跨框架的标准格式，支持多种推理引擎（如 TensorRT 或 OpenVINO）。以下是导出流程： ```bash python export.py --weights yolov5s.pt --include onnx --opset 12 python -m onnxsim yolov5s.onnx simplified_yolov5s.onnx ``` 此步骤将原始 PyTorch 模型转换为优化后的 ONNX 表达形式，并移除冗余计算节点以提升性能。 --- #### 5. 利用 TensorRT 加速推理 对于高性能需求场景，推荐采用 NVIDIA 提供的 TensorRT 库来加速神经网络执行速度。具体操作如下所示： ##### (a) 替换 C++ 接口源码 进入 TensorRTX/YOLOv5 存储库目录后修改默认实现逻辑，随后按照提示构建共享库文件。 ```cpp // 修改部分核心函数定义... void preprocess(const cv::Mat& img, float* input_data); std::vector<Detection> postprocess(float* output_data, int output_size); int main(int argc, char** argv){ // 初始化 TRT 运行时环境变量... } ``` 重新编译工程结构树下的目标二进制可执行体： ```bash cd tensorrtx/yolov5/build/ cmake .. make sudo ./yolov5 -v yolov5s.engine ``` 最终生成的结果即为基于硬件特化的高效预测工具链[^1]。 --- #### 6. 测试效果评估 选取若干张样本图像作为输入数据集，调用前述开发完毕的服务端接口获取边界框坐标以及类别标签信息反馈结果质量如何。 ```python import cv2 from utils.general import non_max_suppression def infer(image_path="data/images/bus.jpg"): model = attempt_load('yolov5s.pt', map_location='cpu') img = letterbox(cv2.imread(image_path), new_shape=640)[0] with torch.no_grad(): pred = model(img.unsqueeze(0))[0] det = non_max_suppression(pred)[0].numpy() print(det) if __name__ == "__main__": infer() ``` 上述 Python 函数展示了如何加载自定义权重并对单帧画面实施实时物体识别任务。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

信必诺

嗨，支持下哥们呗。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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