OpenCV部署yolov5v-v6.1目标检测（附源代码）

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

计算机视觉研究院专栏

作者：Edison_G

使用OpenCV部署yolov5v-v6.1目标检测，包含C++和Python两个版本的程序。

使用ONNXRuntime部署yolov5-v6.1目标检测，包含C++和Python两个版本的程序。

支持yolov5s，yolov5m，yolov5l，yolov5n，yolov5x， yolov5s6，yolov5m6，yolov5l6，yolov5n6，yolov5x6的十种结构的yolov5-v6.1。

转换生成onnx文件的方法

2021年9月在github上发布了一套使用ONNXRuntime部署anchor-free系列的YOLOR，依然是包含C++和Python两种版本的程序。起初我是想使用OpenCV部署的，但是opencv读取onnx文件总是出错，于是我换用ONNXRuntime部署。

YOLOR是一个anchor-free系列的YOLO目标检测，不需要anchor作为先验。本套程序参考了YOLOR的官方程序(https://github.com/WongKinYiu/yolor)， 官方代码里是使用pytorch作为深度学习框架的。根据官方提供的.pth文件，生成onnx文件后，我本想使用OpenCV作为部署的推理引擎的，但是在加载onnx 文件这一步始终出错，于是我决定使用ONNXRuntime作为推理引擎。在编写完Python版本的程序后， 在本机win10-cpu环境里，在visual stdio里新建一个c++空项目，按照csdn博客里的文章讲解来配置onnxruntime， 配置的步骤跟配置Opencv的步骤几乎一样。在编写完c++程序后，编译运行，感觉onnxruntime的推理速度要比 opencv的推理速度快，看来以后要多多使用onnxruntime作为推理引擎了，毕竟onnxruntime是微软推出的专门针对 onnx模型做推理的框架，对onnx文件有着最原生的支持。本套程序里的onnx文件链接：https://pan.baidu.com/s/1Mja0LErNE4dwyj_oYsOs2g，提取码：qx2j

Github地址是：https://github.com/hpc203/yolor-onnxruntime

具体的文章可以阅读：

YoloV5一系列实践详情，Github代码已开源

Github地址：https://github.com/hpc203/yolov5-v6.1-opencv-onnxrun

© THE END 

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

扫码关注

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

 往期推荐 

🔗

• IoU优化——在Anchor-Free中提升目标检测精度（附源码）
• 微软提出DeepNet：把Transformer提升到了1000层，目标检测领域新的希望（附源代码）
• Swim-Transform V2：用于目标检测，视觉大模型不再是难题（附源代码）
• GiraffeDet：对目标检测中对Neck进行优化提升最终精度
• 深度学习目标检测在实际场景中的应用（附源代码）
• Label,Verify,Correct：一种简单的Few Shot 目标检测方法
• SPARSE DETR：具有可学习稀疏性的高效端到端目标检测（源代码下载）
• 自适应特征融合用于Single-Shot目标检测（附源代码下载）
• 目标检测：SmartDet、Miti-DETR和Few-Shot Object Detection