當前位置：首頁 > 科技 > 軟件

將目標檢測模型導出到C++|RT-DETR、YOLO-NAS、YOLOv10、YOLOv9、YOLOv8

來源：責編：時間：2024-09-10 09:45:15 120觀看

導讀最近，出現了更新的YOLO模型，還有RT-DETR模型，這是一個聲稱能擊敗YOLO模型的變換器模型，我想將這些模型導出并進行比較，并將它們添加到我的庫中。在這篇文章中，我將帶你了解如何將這些模型導出到ONNX并運行它們，然后最終比較

最近，出現了更新的YOLO模型，還有RT-DETR模型，這是一個聲稱能擊敗YOLO模型的變換器模型，我想將這些模型導出并進行比較，并將它們添加到我的庫中。在這篇文章中，我將帶你了解如何將這些模型導出到ONNX并運行它們，然后最終比較這些模型的速度。

將RT-DETR模型導出到ONNX

這是從模型的GitHub頁面獲取的模型示例輸出

為了導出模型，我們需要從模型的GitHub倉庫克隆代碼（https://github.com/lyuwenyu/RT-DETR）。我將向你展示如何導出模型的第二個版本。如果你想使用第一個版本，導出步驟應該是類似的。

git clone https://github.com/lyuwenyu/RT-DETR.gitcd RT-DETR/rtdetrv2_pytorch

然后我們需要創建一個Python虛擬環境來運行代碼。如果你已經有一個工作的環境，那么你可以跳過這一步。

python -m venv rtdetrv2-envsource rtdetrv2-env/bin/activatepip install -r requirements.txtpip install scipy

代碼需要scipy庫，但它不在需求文件中，你需要手動安裝。然后我們需要下載coco數據集的YAML配置文件和模型。我們將在這里下載的模型是中等大小的模型。你可以在這里找到其他模型的鏈接。

mkdir modelscd modelswget -c https://github.com/lyuwenyu/storage/releases/download/v0.1/rtdetrv2_r34vd_120e_coco_ema.pthwget -O dataset/coco_detection.yml https://raw.githubusercontent.com/ultralytics/ultralytics/main/ultralytics/cfg/datasets/coco.yaml

現在我們可以導出模型了。請注意，如果你改變了模型大小，那么你需要更改下面的配置文件路徑以匹配模型。

python tools/export_onnx.py -c configs/rtdetrv2/rtdetrv2_r34vd_120e_coco.yml -r models/rtdetrv2_r34vd_120e_coco_ema.pth --check

現在你有了你的模型（在rtdetrv2_pytorch目錄中的model.onnx文件）。你可以進入運行模型部分。

將YOLO-NAS導出到ONNX

與模型的GitHub頁面上的其他模型相比，YOLO-NAS模型

為了導出YOLO-NAS模型，你需要安裝super_gradients庫，然后運行以下Python代碼。模型變體是YOLO_NAS_S、YOLO_NAS_M、YOLO_NAS_L。

from super_gradients.training import modelsfrom super_gradients.common.object_names import Modelsmodel = models.get(Models.YOLO_NAS_S, pretrained_weights="coco")model.eval()model.prep_model_for_conversion(input_size=[1, 3, 640, 640])model.export("yolo_nas_s.onnx", postprocessing=None, preprocessing=None)

現在你有了你的模型（yolo_nas_s.onnx文件）。你可以進入運行模型部分。

將YOLOv10導出到ONNX

與模型的GitHub頁面上的其他模型相比，YOLOv10模型的延遲

我們需要克隆GitHub倉庫（https://github.com/THU-MIG/yolov10）并創建一個Conda環境來運行導出代碼。

git clone https://github.com/THU-MIG/yolov10.gitcd yolov10conda create -n yolov10-env python=3.9conda activate yolov10-envpip install -r requirements.txtpip install -e .

現在我們需要導出模型。模型的前綴是jameslahm/，支持的模型有yolov10n、yolov10s、yolov10m、yolov10b、yolov10l、yolov10x。

yolo export model=jameslahm/yolov10m format=onnx opset=13 simplify

現在你有了你的模型（yolov10目錄中的yolov10m.onnx文件）。你可以進入運行模型部分。

將YOLOv9導出到ONNX

與模型的GitHub頁面上的其他模型相比，YOLOv9模型的參數數量

為了導出YOLOv9，你需要有一個工作的正常安裝的docker。你可以啟動一個容器并導出模型。你可以在這里找到模型文件。

# Create an empty directory and cd into itgit clone https://github.com/WongKinYiu/yolov9.git# Now we have yolov9 folder in out current directory. Then we run the following line:docker run --name yolov9 -it -v `pwd`:`pwd` -w `pwd` --shm-size=64g nvcr.io/nvidia/pytorch:21.11-py3# Install dependenciesapt updateapt install -y zip htop screen libgl1-mesa-glxpip install seaborn thopcd yolov9# Download the modelwget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-s.pt# Export the modelpython export.py --weights yolov9-s.pt --include onnx

現在你有了你的模型（yolov9目錄中的yolov9-s.onnx文件）。你可以進入運行模型部分。

將YOLOv8導出到ONNX

與模型的GitHub頁面上的其他模型相比，YOLOv8模型

將YOLOv8導出比其他模型更容易。你只需要安裝ultralytics并導出模型。支持的模型有yolov8n、yolov8s、yolov8m、yolov8l和yolov8x。如果你想的話，你可以創建一個虛擬環境來隔離安裝。

pip install ultralyticswget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.ptyolo export model=yolov8n.pt format=onnx

現在你有了模型（yolov8n.onnx文件），可以進入運行模型部分。

運行模型

現在你有了你想要導出的ONNX模型，你可以使用我編寫的庫來運行這些模型。你可以在這里找到這個庫。庫的README文件解釋了如何鏈接到庫。以下是如何使用庫中的RT-DETR模型的示例。

#include <objdetex/objdetex.h>int main(){    using namespace ObjDetEx;    Detector detector(Detector::RT_DETR, "<path/to/onnx/model>");    Size batchSize = 1;    double detectionThreshold = .6;    // Fill this with batchSizex3x640x640 image data    float *imagePtr = nullptr;    // Fill this with batchSizex2 dimension data, not needed for YOLO models    // NOTE: 2 is width and height of the original images before resizing to 640x640    int64_t *dimensionPtr = nullptr;    auto detections = detector(Tensor(imagePtr, {batchSize, 3, 640, 640}),  //                               Tensor(dimensionPtr, {batchSize, 2}), detectionThreshold);    // Use the detections    return 0;}

本文鏈接：http://www.www897cc.com/showinfo-26-112709-0.html將目標檢測模型導出到C++|RT-DETR、YOLO-NAS、YOLOv10、YOLOv9、YOLOv8

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇：提升效率必備！學習 awk 命令，輕松搞定數據

下一篇：通過 12 個示例探索 Python 列表與索引的奧秘

標簽：

熱門焦點

K60至尊版狂暴引擎2.0加持：超177萬跑分斬獲性能第一

Redmi的后性能時代戰略發布會今天下午如期舉辦，在本次發布會上，Redmi公布了多項關于和聯發科的深度合作，以及新機K60 Ultra在軟件和硬件方面的特性，例如：“K60 至尊版，雙芯旗艦
6月iOS設備好評榜：第一蟬聯榜首近一年

作為安兔兔各種榜單里變化最小的那個，2023年6月的iOS好評榜和上個月相比沒有任何排名上的變化，僅僅是部分設備好評率的下降，長年累月的用戶評價和逐漸退出市場的老款機器讓這
十個可以手動編寫的 JavaScript 數組 API

JavaScript 中有很多API，使用得當，會很方便，省力不少。你知道它的原理嗎? 今天這篇文章，我們將對它們進行一次小總結。現在開始吧。1.forEach()forEach()用于遍歷數組接收一參
疑似小米14外觀設計圖曝光：后置相機模組變化不大

下半年的大幕已經開啟，而誰將成為下半年手機圈的主角就成為了大家關注的焦點，其中被傳有望拿下新一代驍龍8 Gen3旗艦芯片的小米14系列更是備受大家矚
iQOO 11S新品發布會

iQOO將在7月4日19:00舉行新品發布會，推出杭州亞運會電競賽事官方用機iQOO 11S。
iQOO 11S或7月上市：搭載“雞血版”驍龍8Gen2 史上最強5G Soc

去年底，iQOO推出了“電競旗艦”iQOO 11系列，作為一款性能強機，iQOO 11不僅全球首發2K 144Hz E6全感屏，搭載了第二代驍龍8平臺及144Hz電競屏，同時在快充
蘋果140W USB-C充電器：采用氮化鎵技術

據10 月 30 日 9to5 Mac 消息報道，當蘋果推出新的 MacBook Pro 2021 時，該公司還推出了新的 140W USB-C 充電器，附贈在 MacBook Pro 16 英寸機型的盒子里，也支
DRAM存儲器10月價格下跌，NAND閃存本月價格與上月持平

10月30日，據韓國媒體消息，自今年年初以來一直在上漲的 DRAM 存儲器的交易價格僅在本月就下跌了近 10％，此次是全年首次降價，而NAND 閃存本月價格與上月持平。市
榮耀Magic4 至臻版首創智慧隱私通話強勁影音系統

2022年第一季度臨近尾聲，在該季度內，許多品牌陸續發布自己的最新產品，讓大家從全新的角度來了解當今的手機技術。手機是電子設備中，更新迭代十分迅速的一款產品，基

日韩成人免费在线_国产成人一二_精品国产免费人成电影在线观..._日本一区二区三区久久久久久久久不

將目標檢測模型導出到C++|RT-DETR、YOLO-NAS、YOLOv10、YOLOv9、YOLOv8

將RT-DETR模型導出到ONNX

將YOLO-NAS導出到ONNX

將YOLOv10導出到ONNX

將YOLOv9導出到ONNX

將YOLOv8導出到ONNX

運行模型

K60至尊版狂暴引擎2.0加持：超177萬跑分斬獲性能第一

6月iOS設備好評榜：第一蟬聯榜首近一年

十個可以手動編寫的 JavaScript 數組 API

疑似小米14外觀設計圖曝光：后置相機模組變化不大

iQOO 11S新品發布會

iQOO 11S或7月上市：搭載“雞血版”驍龍8Gen2 史上最強5G Soc

蘋果140W USB-C充電器：采用氮化鎵技術

DRAM存儲器10月價格下跌，NAND閃存本月價格與上月持平

榮耀Magic4 至臻版首創智慧隱私通話強勁影音系統

最新推薦

猜你喜歡

熱門推薦

相關資訊