yolov8模型 onnxruntime推理及可视化

已于 2023-12-02 22:27:33 修改
阅读量1.1k 收藏
点赞数
分类专栏： 图像CV 深度学习 文章标签： YOLO
于 2023-12-02 20:57:24 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_42357472/article/details/134757424
版权
本文介绍了如何使用YOLOv8模型进行ONNXRuntime推理，并提供了参考代码链接。通过Netron查看ONNX模型的输入信息，然后运行predict_onnx.py进行预测。在预测过程中，针对中文标签进行了特殊处理，包括修改label名称为中文，利用PIL支持中文显示。

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

参考：https://github.com/ultralytics/ultralytics/blob/main/examples/YOLOv8-ONNXRuntime/main.py

1、yolov8 onnxruntime推理代码

1）导出参考：https://blog.youkuaiyun.com/weixin_42357472/article/details/131412851
在这里插入图片描述
2）查看保存的模型onnx的输入格式等信息
登录https://netron.app/网址，上传onnx模型，即可查看到模型label、图像输入尺寸等信息：

在这里插入图片描述
onnxruntime提取model properties里的names标签数据：

# 加载ONNX模型
model_path = r"C
了解本专栏 订阅专栏 解锁全文 超级会员免费看
yolov8目标检测-onnx模型推理
qq_40107571的博客
02-18 1240
yolov8目标检测-onnx模型推理
YOLOv8目标检测——详细记录使用ONNX Runtime进行推理部署C++/Python实现
MariLN的博客
12-14 1万+
在之前博客中有介绍YOLOv8从环境安装到训练的完整过程，本节主要介绍ONNX Runtime的原理以及使用其进行推理加速，使用Python、C++两种编程语言来实现。
目标检测中如何使用YOLOv8训练人脸检测数据集 识别检测人脸，如何配置环境，评估模型优化模型并构建gui识别图片中的人脸检测
最新发布
2401_88441190的博客
03-17 962
目标检测中如何使用YOLOv8训练人脸检测数据集 识别检测人脸，如何配置环境，评估模型优化模型并构建gui识别图片中的人脸检测
最细致讲解yolov8模型onnx推理完整代码--(前处理，后处理)
用于记录
09-05 6042
最细致讲解yolov8模型推理完整代码--（前处理，后处理）
YoloV8目标检测与实例分割——目标检测onnx模型推理
知来者逆的博客
11-05 1万+
yolov8目标检测onnx模型推理，不安装过多依赖，更好的部署到生产环境
yolov8分割模型onnx推理预测
qq_45904885的博客
04-10 3606
yolov8的分割模型推理代码，onnx版本
YOLOV8解读及推理代码
qq128252的博客
11-29 3479
YOLOv8并非一个全新的目标检测网络，而是在YOLOv5的基础上进行了升级。新的骨干网络创新的Ancher-Free检测头新的损失函数。
C++ OnnxRuntime部署yolov8模型
07-20
总之，C++结合ONNXRuntime部署YOLOv8模型涉及到模型加载、输入预处理、推理执行、输出后处理等多个环节。通过这种方式，你可以将训练好的YOLOv8模型集成到实时应用中，实现高效的目标检测功能。
基于onnxruntime+opencv部署yolov8的onnx模型支持检测分割旋转框C++源码+使用说明.zip
05-21
在本项目中，我们主要关注的是如何利用ONNXRuntime和OpenCV库来部署Yolov8的ONNX模型，以实现目标检测、分割以及旋转框的处理。这是一套C++源码，专为理解并应用深度学习模型到实际计算机视觉任务而设计。下面将详细...
yolov8的onnx格式推理
weixin_62918638的博客
11-15 495
【代码】yolov8的onnx格式推理。
YOLO系列笔记（九）—— yolov5转onnx并推理
XISHI_TIANLAN的博客
04-22 3958
该笔记记录了将训练后得出的yolov5s.pt模型转为.onnx模型并进行推理的过程。教程与大部分代码均来自这位作者的这篇博客。输入org_box(原始的边界框数据),conf_thres(置信度阈值),iou_thres(用于NMS的IoU阈值)。处理: 删除不符合置信度要求的框，对每个类别的框应用非极大抑制，以减少重叠。输出: 经过筛选和NMS处理后的边界框。
java 调用 python yolo onnx 模型 AI 视频 识别 支持 yolov5 yolov8 yolov7源代码
03-07
Java可以通过调用Python的YOLO ONNX模型实现AI视频识别，支持YOLOv5、YOLOv8和YOLOv7，这包括了预处理和后处理步骤。在Java中实现目标检测和目标识别，可以集成实时流传输协议（RTSP）和实时多媒体传输协议（RTMP）等功能，使得整个系统更加强大和灵活。首先，Java应用可以通过调用Python的YOLO ONNX模型来实现视频中的目标检测和识别。YOLOv5、YOLOv8和YOLOv7是流行的目标检测模型，它们在不同场景下表现出色，Java可以通过调用这些模型来实现视频中目标的识别和跟踪。其次，Java应用可以集成实时流传输协议（RTSP）和实时多媒体传输协议（RTMP）功能，这使得Java应用可以直接处理实时视频流数据，实现对实时视频的目标检测和识别。这样一来，Java应用可以直接从实时视频流中提取图像数据，送入YOLO ONNX模型进行处理，实现对视频中目标的识别和跟踪。在整个流程中，Java应用可以进行预处理和后处理步骤，例如对图像进行缩放、裁剪、灰度化等预处理操作，以及对YOLO模型输出进行解析、筛选、可视化等后处理操作，从而提高目标检测和识别
YOLOv8目标检测：使用ONNX模型进行推理
深度学习领域
02-22 1万+
通过以上步骤，我们展示了如何使用YOLOv8进行目标检测的完整流程，从环境配置到代码实现和结果展示。此过程适用于YOLOv8目标检测任意模型进行检测任务。希望这篇博客能够帮助您理解和实现基于YOLOv8的目标检测项目。如果有任何问题或需要进一步的帮助，请随时留言讨论。
ONNX格式模型 学习笔记 (onnxRuntime部署)---用java调用yolov8模型来举例
qq_48050838的博客
12-24 1万+
ONNX（Open Neural Network Exchange）是一个开源项目，旨在建立一个开放的标准，使深度学习模型。ONNX模型可以用于各种应用场景，例如机器翻译、图像识别、语音识别、自然语言处理等。由于ONNX模型的互操作性，开发人员，例如从PyTorch转换到TensorFlow，或从TensorFlow转换到MXNet等。，例如云端、边缘设备或移动设备等。ONNX还提供了一组工具和库，帮助开发人员。
最细致讲解yolov8模型推理完整代码--（前处理，后处理）
热门推荐
kuabiku的博客
08-03 4万+
筛选完之后得到的输出output_box格式为N * [x,y,w,h,conf(最大类别概率),class] ， N是筛选后预测框的个数， 通过[x,y,w,h,conf(最大类别概率),class]这些数据我们就可以将预测框输出绘制在原图像上， 但是要注意，我们此时模型的输入是经过letterbox处理的，所以需要先将预测框的坐标转换回原坐标系的坐标，接下来就对刚刚的（8400，85）进行后处理，先进行置信度过滤，再进行NMS非极大值抑制，本文将这两步筛选操作放在了一个函数中，
YOLOv8图像分割：使用ONNX模型进行推理
深度学习领域
03-19 3279
通过以上步骤，我们展示了如何使用YOLOv8进行图像分割的完整流程，从环境配置到代码实现和结果展示。此过程适用于YOLOv8目标分割任意模型进行分割任务。希望这篇博客能够帮助您理解和实现基于YOLOv8的目标分割项目。如果有任何问题或需要进一步的帮助，请随时留言讨论。
英特尔开发套件“哪吒”快速部署YoloV8 on Java
英特尔开发人员专区
03-25 3179
在该项目中，我们基于英特尔开发套件哪吒为硬件基础实现了Java在 Ubuntu 22.04 系统上成功使用OpenVINO™ Java API，并且成功允许了Yolov8模型，验证了Java可以在各种硬件平台上快速部署和运行，同时简化了Java开发者对于AI类项目的上手难度。后续我还会将继续使用 OpenVINO™ Java API 在 英特尔开发套件上部署更多的深度学习模型。
《身为算法开发的我学起了java前端，我该怎么跟后端对线》之水论文大法第二期--以YOLOV8为例
m0_72488680的博客
05-02 1118
YOLOV8改进方法
onnxruntime推理YOLOv5
AIOT魔法师
09-27 313
YOLOv5的onnxruntime推理
写一段yolov5的onnxruntime cpu推理代码
03-30
以下是一个使用ONNX Runtime在CPU上进行Yolov5推理的Python代码示例： ```python import cv2 import numpy as np import onnxruntime as ort # 加载模型 model_path = "yolov5s.onnx" session = ort.InferenceSession(model_path) # 输入和输出节点名称 input_name = session.get_inputs()[0].name output_names = [session.get_outputs()[i].name for i in range(len(session.get_outputs()))] # 读取图像 img_path = "test.jpg" img = cv2.imread(img_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (640, 640)) img = img.astype(np.float32) / 255.0 img = np.transpose(img, (2, 0, 1)) img = np.expand_dims(img, axis=0) # 进行推理 outputs = session.run(output_names, {input_name: img}) # 处理输出结果 boxes = outputs[0][0] scores = outputs[1][0] labels = outputs[2][0] # 可视化结果 for i in range(len(boxes)): if scores[i] > 0.5: box = boxes[i] x1, y1, x2, y2 = box label = int(labels[i]) color = (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, f"{label}", (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2) cv2.imshow("result", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在此示例中，我们首先使用ONNX Runtime加载了已经训练好的Yolov5模型。然后，我们读取了一个测试图像并将其预处理成模型所需的输入格式。最后，我们通过调用`session.run`函数来进行推理，并处理输出结果。最后，我们将结果可视化并显示在屏幕上。
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

loong_XL

你的鼓励将是我创作的最大动力

¥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