Yolov5后处理代码 | cpu部分

已于 2023-02-19 15:51:18 修改
阅读量1.1k 收藏
点赞数
分类专栏： 高性能计算 文章标签： c++
于 2022-12-20 23:06:18 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_43236007/article/details/128390593
版权
本文探讨了如何使用CPU对Yolov5的预测结果进行解码，重点在于减少不必要的计算，特别是数学运算如IOU，并优化非极大抑制（NMS）算法，通过remove flag和预分配内存来提升效率。同时提到了GPU解码时处理不确定性数据的策略，引用了box.hpp中的关键函数。

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

使用核函数对Yolov5推理的结果进行解码并恢复成框
yolov5的输出tensor(n x 85)，其中85是cx, cy, idth, height, objness, classification*80

CPU解码重点
1.避免多余计算，尤其是数学运算（IOU）
2.nms实现优化，例如remove flag并且预先分配内存，reserve对输出分配内存

GPU解码重点
1.表示输出大学不确定的数据，

#include <cuda_runtime.h>
#include <opencv2/opencv.hpp>
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Yolov5后处理代码 | cuda部分
ASKCOS博客
12-20 377
【代码】Yolov5后处理代码 | cuda部分。
yolov5 各模块代码详解
最新发布
D_Yan7的博客
09-10 1903
用于计算卷积操作中的填充（padding），以确保输出的形状和输入形状相同*d代表膨胀因子（dilation）用于控制卷积核在输入数据上的间隔，增加卷积的感受野而不实际增加卷积核尺寸公式：k=d（k-1）+1 *
基于c++的yolov5推理之后处理详解及代码（二）
qq_39333636的博客
08-15 2398
yolov5后处理大致分为四步：confidence过滤，NMS，预测框校准，结果可视化。首先需要对yoloV5的输出解析，认识清楚之后才能进行下一步。
yolov5的后处理解析
panghuzhenbang的博客
07-28 1万+
，其中开头的1表示batch_size，(20,20)、(40,40)、(80,80)分别为3个特征层的形状大小，255=3*(80+4+1)，3表示每个特征点对应的3个先验框，80为one-hot后的各类别概率，4为先验框的回归参数，1为先验框是否包含物体的概率大小。这里需要注意的是，公式中的解码结果是根据先验框的位置信息进行解码的，如果给定的是先验框的实际位置信息，则解码出来的结果就是实际框的位置信息，这样就不需要针对不同特征层的不同先验框位置进行解码；
CPU/GPU(CUDA)版本的 YOLOv5后处理代码
HELLOWORLD2424的博客
07-15 2084
YOLOv5后处理
TensorRT笔记十（yolov5后处理）
nanjono的博客
06-20 3849
yolov5的输出为(1)其中85表示为5+80，即cx, cy, width, height, objness（框里是否含有目标）, classification * 80类别置信度（2）25200 = （20 * 20 + 40 * 40 + 80 * 80） * 3， 其中20 * 20， 40 * 40， 80 * 80分别是提取深、中、浅层的网格大小，浅层用来预测小目标，深层用来预测大目标；* 3是因为每个点有三种anchor使用核函数对yolov5推理结果进行解码并恢复成框。
目标检测 YOLOv5 - YOLOv5的后处理
热门推荐
二分掌柜的
10-11 1万+
这样的[1,25200,85]数据怎么就得到了框的坐标，分数，类别这些信息呢？
Yolact/Yolov5的C++实现，包括ONNX(CPU/CUDA), TensorRT版本。
08-12
标题中的“Yolact/Yolov5的C++实现”涉及到的是两个流行的深度学习目标检测模型，Yolact和YOLOv5，它们被移植到了C++环境中，并且支持ONNX（Open Neural Network Exchange）以及TensorRT这两种不同的推理引擎。...
yolov5后处理 详解
07-28
- *1* [Yolov5后处理代码 | cpu部分](https://blog.youkuaiyun.com/weixin_43236007/article/details/128390593)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_...
yolov3后处理，包括网络输出、阈值过滤、多类NMS
random_repick的专栏
06-15 1405
grid_h, grid_w, IOU, NMS
YOLOv5代码解析
qq_23339307的博客
06-15 391
YOLOv5代码解析
【目标检测】YOLOv5算法实现(五)：预测结果后处理
chu-xia的博客
01-04 5717
本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码，删减了源码中部分内容，满足个人科研需求。本系列文章主要以YOLOv5为例完成算法的实现，后续修改、增加相关模块即可实现其他版本的YOLO算法。
YOLOV5预处理和后处理，源码详细分析
weixin_51226647的博客
06-14 4868
关于模型输出的说明(1, 25200, 85)：👇⭐25200： 每个batch的检测框数量⭐85： 每个检测框包含信息[x, y, w, h, 置信度, coco_class0_score, coco_class1_score, …, …, coco_class79_score]conf_thres = 0.001 # 置信度筛选阈值max_wh = 7680 # 最大允许的检测框高宽iou_thres = 0.65 # NMS交并比。
简单记录YOLOV5后处理(推理)
w15136756855的博客
08-13 1896
输入:[1,3,640,640]输出:[1,25200,85]3中尺度的特征图，每个cell3个anchor：25200 = (8080+40obj_conf:目标置信度(是目标的概率)；cls_conf:类别置信度(是哪一类目标的概率)；
关于yolov5后处理细节
weixin_43088933的博客
04-20 8773
近日做项目遇到yolov5后处理操作，有点记不太清楚，所以想记录下来，方便后期复习。 我们都知道，yolov5模型的输入三个feature map的集合，加上batch的维度，也就是三维张量，即[batch，(p3*p3+p4*p4+p5*p5)*3，4+conf+cls_num],模型输出的为相对于调整图片的xywh，然后后面就要进入后处理阶段。 后处理采用了两次阈值筛选，然后送入了nms处理。 两次筛选都用的是conf_thres,只有nms求IOU的时候采用的iou_thresh.
tensorRT---认识cuda RuntimeAPI（YOLOv5后处理）
进击的菜鸟
05-01 599
Yolov5是目标检测中比较经典的模型，学习对其后处理进行解码是非常有必要的。在这里我们仅使用核 函数对Yolov5推理的结果进行解码并恢复成框，掌握后处理所解决的问题，以及对于性能的考虑 经验之谈： 1.对于后处理的代码研究，可以把PyTorch的数据通过转换成numpy后，tobytes再写到文件，然后再到c++中读取的方式，能够快速进行问题研究和排查，此时不需要tensorRT推理也可以做后处理研究。这也叫变量控制法 2.fast_nms_kernel会在极端情况少框，但是这个极端情况一般
YOLOv5 后处理cuda实现
zhuangtu1999的博客
07-02 1114
在mian函数中，运用load_file读取tensor文件这里用load_file打开图片, 这里是用二进制模式打开文件(ios::binary), 使用static std::vector存储数据。YOLOV5给出来的data是n x (5 + classes)的, 这里通过计算可以获得行数列数, 然后传入指向data的指针, nrows, ncols解码, 本案例提供cpu解码和GPU解码解码结束后返回的是。
YOLOV5目标检测-后处理NMS(非极大值抑制)
猫猫与橙子的博客
04-25 1万+
一.非极大抑制整个计算原理 二.yolov5中相应的代码 三.同类别框相互包裹，去除低置信度，减少误检代码实现 def non_max_suppression(prediction, conf_thres=0.25
TensorRT学习笔记--YoloV5检测的C++后处理代码
牵一只蜗牛去散步
09-25 970
过滤 IOU 高于设定阈值的检测框（只保留置信度高的那一个，所以上面代码中首先按置信度从大到小进行排序）；右下角坐标：right_bottom_x = std::min(x_a2, x_b2)；左上角坐标：left_top_x = std::max(x_a1, x_b1)；① 读取每一个检测框的置信度，先。② 两两计算检测框的 IOU，
yolov5后处理详解
05-16
YOLOv5是一种目标检测算法，用于检测图像或视频中的物体。其后处理步骤包括非极大值抑制（NMS）、置信度阈值筛选等。具体地说，YOLOv5的后处理步骤如下： 1. 首先，对每个网格cell的每个anchor，计算置信度得分。每个anchor对应的得分为该anchor包含物体的概率乘以该物体的置信度。其中，物体的置信度指的是在进行训练时，使用交叉熵损失函数计算得到的物体存在概率。 2. 对于每个网格cell，保留置信度得分最高的anchor，并将其对应的物体检测框作为预测框。 3. 对于所有预测框，执行非极大值抑制（NMS）操作。NMS操作会剔除那些与置信度最高的预测框IoU重叠程度高于一定阈值（一般为0.5）的预测框。 4. 最后，根据预测框的置信度得分进行筛选。只保留得分高于设定阈值（一般为0.25）的预测框。
评论 2
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

ASKCOS

你的鼓励是我最大的动力

¥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