Object Detection 【YOLOv5】LabVIEW+YOLOv5快速实现实时物体识别含源码( 二 ) _生活百科

并新增一个函数def my_export_onnx（）：
def my_export_onnx(model, im, file, opset, train, dynamic, simplify, prefix=colorstr('ONNX:')): print('anchors:', model.yaml['anchors']) wtxt = open('class.names', 'w') for name in model.names: wtxt.write(name+'\n') wtxt.close() # YOLOv5 ONNX export print(im.shape) if not dynamic: f = os.path.splitext(file)[0] + '.onnx' torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'], output_names=['output']) else: f = os.path.splitext(file)[0] + '_dynamic.onnx' torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'], output_names=['output'], dynamic_axes={'images': {0: 'batch', 2: 'height', 3: 'width'}, # shape(1,3,640,640) 'output': {0: 'batch', 1: 'anchors'} # shape(1,25200,85) }) return f在cmd中输入转onnx的命令（记得将export.py和pt模型放在同一路径下）：
python export.py --weights yolov5s.pt --include onnx如下图所示为转化成功界面

文章插图
其中yolov5s可替换为yolov5m\yolov5m\yolov5l\yolov5x

文章插图
三、LabVIEW调用YOLOv5模型实现实时物体识别（yolov5_new_opencv.vi）本例中使用LabvVIEW工具包中opencv的dnn模块readNetFromONNX()载入onnx模型，可选择使用cuda进行推理加速。
1.查看模型我们可以使用netron 查看yolov5m.onnx的网络结构，浏览器中输入链接：https://netron.app/，点击Open Model ，打开相应的网络模型文件即可。

文章插图
如下图所示是转换之后的yolov5m.onnx的属性：

文章插图
2.参数及输出blobFromImage参数： size：640*640 Scale=1/255 Means=[0,0,0]
Net.forward()输出：单数组 25200*85
3.LabVIEW调用YOLOv5源码如下图所示，调用摄像头实现实时物体识别

文章插图
4.LabVIEW调用YOLOv5实时物体识别结果本次我们是以yolov5m.onnx为例来测试识别结果和速度的；不使用GPU加速，仅在CPU模式下，实时检测推理用时在300ms/frame左右

文章插图
使用GPU加速，实时检测推理用时为30~40ms/frame,是cpu速度的十倍多

文章插图
总结以上就是今天要给大家分享的内容，本次分享内容实验环境说明：操作系统为Windows10，python版本为3.6及以上，LabVIEW为2018及以上 64位版本，视觉工具包为博客开头提到的工具包。
如需源码，如需源码，请关注微信公众号:VIRobotics 。回复关键字“yolov5” 。
如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299 。进群请备注暗号：LabVIEW深度学习

【Object Detection 【YOLOv5】LabVIEW+YOLOv5快速实现实时物体识别含源码】