yolo11目标检测pt转换成onnx后置信度不一致问题记录

已于 2025-06-16 11:36:20 修改
阅读量480 收藏 3
点赞数 9
CC 4.0 BY-SA版权
分类专栏： YOLO 文章标签： 目标检测 人工智能 计算机视觉
于 2025-06-16 11:22:06 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_62987306/article/details/148686767

        由于onnx模型前处理方式是自行实现的，所以在从pt转换成onnx模型后，图像的前处理逻辑可能因为自行实现导致有所不同，例如，pt要求填充步长必须整除stride，所以当你填充的部分无法整除stride的时候，他就会等比例缩放，而不会进行填充操作，而onnx自行实现的前处理方式是将不足的部分进行填充，所以在进行推理的时候前处理方式不一致，导致置信度不一致（以yolo11n.pt为例）

        将augment.py文件下的LetterBox这段代码屏蔽以后则不考虑整除步长的方式，都进行填充操作。

注：所以模型训练的时候用的什么前处理方式，那么在后续部署的时候，就用同样的前处理方式，否则不一致的话置信度会有所偏差。

1、pt前处理（无法整除则不填充预处理后的图像及模型结果）

2、pt前处理（填充后的图像及模型结果）

3、onnx模型（填充后图像及模型结果）

【YOLOv11[基础]】目标检测OD | 导出ONNX模型 | ONN模型推理以及检测结果可视化 | python
静谧、淡雅
11-07 605
【YOLOv11[基础]】目标检测OD | 导出ONNX模型 | ONN模型推理以及检测结果可视化 | python
C#部署DAMO-YOLO手机检测：3步搞定OnnxRuntime实战！
最新发布
java专栏
06-08 436
文章摘要： 本文介绍了从0到1实现ONNX模型推理的三大黄金法则，包括环境准备、模型转换与加载、以及C#推理实现。首先，确保正确安装OnnxRuntime，避免同时安装CPU和GPU版本。其次，通过Python脚本将PyTorch模型转换为ONNX格式，并注意动态轴设置。最后，在C#中实现推理，重点在于输入输出的预处理和后处理。文章还提供了实时视频检测的实战技巧，帮助开发者避免常见陷阱，确保项目顺利运行。
yolo11n.pt转成的onnx格式文件
12-18
yolo11n.pt转成的onnx格式文件，用于部署到服务器上直接使用，检测内容为：目标识别
解决Ultralytics-YOLOv8-seg 由pt文件导出onnx后精度损失
Amazing_Fly的博客
11-28 1188
前言：使用Ultralytics 8.1.34中yolov8n-seg进行训练，并到处onnx模型后，onnx模型精度对比pt文件有明显损失，具体表现为检测到的分割区域会出现缺少情况。pt文件推理正常分割图片。onnx模型推理分割图片。
YOLOv8目标检测——详细记录使用ONNX Runtime进行推理部署C++/Python实现
小拉拉的博客
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。
C++ 部署问题（一）：onnx模型出现精度偏差大问题
ARYAD的博客
11-15 2772
解决方法：从数据读取开始，调试代码，找到数据处理的问题点；一般情况下，只有这两种原因，不太可能有第三种原因，所以没解决只能说明你还没找到问题点；
YOLO模型的.pt文件转换为ONNX格式
fcgmqty的专栏
11-01 3846
如果你的Linux系统支持NVIDIA GPU，可以使用 TensorRT 将 ONNX 模型转换为 TensorRT 引擎文件（通常为 .bin 或 .engine），以便在 GPU 上加速推理。在将YOLO的ONNX模型转换为二进制的.bin文件并部署到Linux中运行，可以借助OpenVINO或TensorRT等工具完成。转换后的.engine文件可以通过TensorRT的API在Linux环境中运行，也可以在C++或Python代码中加载TensorRT引擎文件来执行推理。
YOLOv5 pt转为onnx
qq_45834106的博客
01-19 2395
使用onnx模型的时候，很反常，打印出来的使用设备是GPU，但是我查看GPU时GPU的利用率是零，并且速度很慢，应该是使用CPU跑的。然后我发现有一个叫dnn的东西可以和onnx配合着使用，我就尝试了一下，此时onnx模型的前向推理速度是1s一张图。运行下面的代码安装onnx相关的环境，按照自己的设备进行选择。所以应该是onnx和cuda、cudnn的版本没对上，重新装就好了。是没办法安装好onnx环境的。看到这里，在我只能说yolov5的作者真的太贴心了。下面是5x的一些实验，均开启了半精度。
yolov5 pt模型 转成onnx模型
ydscc的博客
12-20 1631
​。
yoloV5-6.1训练的pt模型转换为onnx模型
haiyangmeng的博客
05-23 613
本文详细介绍了从YOLOv5模型训练到在树莓派4上测试的完整流程。首先，通过Anaconda和PyCharm配置环境，并准备数据集进行YOLOv5模型训练。接着，使用export.py脚本将训练好的.pt模型转换为.onnx格式。然后，安装OpenVINO库及其开发工具，利用模型优化器将.onnx模型转换为适用于OpenVINO的.bin和.xml格式。最后，计划在树莓派4上进行模型测试。整个过程涵盖了环境搭建、模型训练、格式转换及部署测试，为YOLOv5模型的开发和应用提供了全面的指导。
YOLOV5（二）：将pt转为onnx模型并用opencv部署
abandononeself的博客
07-28 6258
将yolov5s训练的火焰数据的pt权重改为可用opencv识别的onnx。
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理
热门推荐
黎国溥
10-08 3万+
本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。
使用预训练的 ONNX 格式的 YOLOv8n 模型进行目标检测，并在图像上绘制检测结果
m0_53291740的博客
08-22 1278
这段代码主要实现了使用预训练的 ONNX 格式的 YOLOv8n 模型进行目标检测，并在图像上绘制检测结果。它包含一个名为Onnx的类，用于封装与模型推理和结果处理相关的功能。
yolov8：pt 转 onnx
weixin_45963712的博客
01-31 5606
我使用的是虚拟环境，yolov8包已经下载到本地了，因此直接在anaconda prompt 命令行继续安装。首先激活自己的虚拟环境，然后执行安装命令。
yolov8.pt导出为onnx
lkaros_的博客
09-30 1728
【代码】yolov8,pt导出为onnx。
YOLO系列模型 pt文件转化为ONNX导出
c_h_q_的博客
06-06 2216
YOLO系列模型 pt文件转化为ONNX导出
YOLO训练出来的的PT模型转ONNX，ONNX转RKNN教程（Ultralytics篇）
Chen_sir577的博客
11-14 4358
使用Ultralytics工具下的YOLO检测算法，并部署到国产RK3588开发板测试下效果。本文使用的是yolov8-p2训练完的模型作为参考。
yolov5的.pt模型转.onnx模型并运行
weixin_45235219的博客
05-29 2101
运行export把pt转成onnx之前先做一下修改：data是训练.pt文件时的yaml文件，weights是需要转成onnx模型的pt模型的路径，batch-size改成1，想用cpu运行device就改成cpu，想用gpu运行就改成0，include就写onnx。直接在detect.py运行onnx模型：weights中放入onnx模型路径，如果想检测图片就在source放入图片路径，要检测摄像头就设置为0，data是训练.pt文件时的yaml文件。
yolo onnx
03-08
<think>好的，我现在需要帮助用户了解如何将YOLO模型转换为ONNX格式以及在ONNX中使用它。首先，我得回顾一下用户提供的引用内容，看看里面有没有关键的信息。用户引用了四个资料，其中提到了YOLOv5和YOLOv8的转换方法，以及加载ONNX模型的代码。这应该是重点。 首先，YOLO模型转ONNX的常规步骤可能包括使用官方提供的导出方法。比如YOLOv5需要使用内部的转换脚本，而不是常规的转换工具，这可能是因为模型结构复杂，依赖项目中的特定模块。用户提到的引用[1]和[2]都提到了使用YOLO自带的export方法，比如在YOLOv8中直接调用model.export(format="onnx")，这应该是一个关键点。 然后，转换的具体步骤可能需要安装正确的依赖库，比如Ultralytics库，确保版本兼容性。用户可能需要注意PyTorch版本是否匹配，否则导出可能会出错。另外，转换后的ONNX模型需要检查输入输出节点是否符合预期，可能用到Netron工具进行可视化，这一点在引用[4]里提到后处理可能需要调整，所以检查模型结构很重要。 接下来，用户可能想知道如何在ONNX中使用转换后的模型。引用[3]展示了使用ONNX Runtime加载模型，创建InferenceSession，并准备输入数据。需要强调输入数据的预处理，比如归一化、调整尺寸，以及输出结果的后处理，如非极大值抑制（NMS），这部分可能在转换时需要处理，或者在外部代码中实现，引用[4]提到后处理代码可能在RKNN模型库中找到，所以用户需要注意是否需要自己实现后处理。 用户可能遇到的常见问题包括版本不兼容、输出节点不正确或后处理缺失。例如，YOLOv5的某些版本可能需要特定参数才能正确导出，或者导出的ONNX模型包含不支持的运算符，这时需要调整导出参数，比如opset版本或者添加dynamic参数。引用[4]提到移除某些操作，可能需要在导出时进行，所以用户需要参考官方文档或社区建议。 此外，用户可能对转换后的模型性能优化感兴趣，比如在不同硬件上的部署，或者转换为其他格式如RKNN。但当前问题集中在ONNX转换和应用，这部分可能需要简要提及后续步骤，但主要回答应集中在ONNX本身。 最后，生成相关问题时要覆盖转换步骤、常见问题、应用场景和优化方法，确保用户能全面了解整个流程。需要确保回答结构清晰，分步骤说明，并给出代码示例，如YOLOv8的导出代码和加载模型的代码，帮助用户实际操作。</think>### YOLO模型与ONNX格式转换及应用指南 #### 一、YOLO模型转ONNX格式步骤 1. **YOLOv5转换方法** - YOLOv5需使用其内置的`export.py`脚本进行转换，因其模型与项目代码强关联，常规工具无法正确处理自定义层和后处理逻辑[^1]。 - 示例命令： ```bash python export.py --weights yolov5s.pt --include onnx --dynamic ``` `--dynamic`参数支持动态输入尺寸，适用于多分辨率场景。 2. **YOLOv8转换方法** - YOLOv8提供更简化的接口，直接调用`model.export`即可生成ONNX模型[^2]。 - 示例代码： ```python from ultralytics import YOLO model = YOLO("best.pt") model.export(format="onnx", dynamic=True, simplify=True) ``` `simplify=True`可自动优化模型结构，去除冗余节点。 3. **关键注意事项** - **依赖环境**：需安装对应版本的`torch`和`ultralytics`库，例如`ultralytics>=8.0.0`。 - **输入输出检查**：使用Netron工具验证ONNX模型的输入尺寸（如`1x3x640x640`）和输出层是否包含检测框、置信度、类别信息[^4]。 - **动态轴支持**：若需部署到不同硬件，需通过`dynamic=True`保留动态维度（如批处理大小或分辨率）。 --- #### 二、在ONNX中使用YOLO模型 1. **加载模型与推理** 使用ONNX Runtime加载模型并进行预测： ```python import onnxruntime as ort import numpy as np # 加载模型 session = ort.InferenceSession("yolov8.onnx", providers=["CPUExecutionProvider"]) # 或"CUDAExecutionProvider" # 准备输入数据（示例为640x640分辨率） input_tensor = np.random.rand(1, 3, 640, 640).astype(np.float32) # 执行推理 outputs = session.run(None, {"images": input_tensor}) ``` 2. **后处理关键步骤** - **输出解析**：YOLO ONNX模型通常输出三个层级特征图（如`output0, output1, output2`），需按不同尺度解析检测结果。 - **非极大值抑制（NMS）**：ONNX模型可能不包含NMS层，需手动实现或调用第三方库（如OpenCV的`dnn.NMSBoxes`）[^4]。 - 示例代码片段： ```python import cv2 boxes, scores = outputs[0][..., :4], outputs[0][..., 4:] indices = cv2.dnn.NMSBoxes(boxes, scores, score_threshold=0.25, nms_threshold=0.45) ``` 3. **性能优化** - **硬件加速**：通过`providers`参数指定CUDA或TensorRT执行提供程序。 - **量化**：使用ONNX Runtime的量化工具将FP32模型转为INT8，减少推理耗时。 --- #### 三、常见问题与解决 1. **转换失败** - **问题**：`Unsupported operator: GridSample` - **解决**：升级PyTorch至2.0+版本，或添加`--opset=16`指定更高算子集版本。 2. **推理结果异常** - **问题**：输出张量形状与预期不符 - **解决**：检查是否遗漏`--dynamic`参数，或模型训练时是否固定了输入尺寸。 ---
评论 5
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
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