文章目录

前言
一、关于YOLOv5
二、YOLOv5模型的获取
- 1.下载源码
- 2.安装模块
- 3.下载预训练模型
- 4.转换为onnx模型
三、LabVIEW调用YOLOv5模型实现实时物体识别（yolov5_new_opencv.vi）
- 1.查看模型
- 2.参数及输出
- 3.LabVIEW调用YOLOv5源码
- 4.LabVIEW调用YOLOv5实时物体识别结果
总结

前言

前面我们给大家介绍了基于LabVIEW+YOLOv3/YOLOv4的物体识别（对象检测），今天接着上次的内容再来看看YOLOv5。本次主要是和大家分享使用LabVIEW快速实现yolov5的物体识别，本博客中使用的智能工具包可到主页置顶博客LabVIEW AI视觉工具包（非NI Vision）下载与安装教程中下载。若配置运行过程中遇到困难，欢迎大家评论区留言，博主将尽力解决。

一、关于YOLOv5

YOLOv5是在 COCO 数据集上预训练的一系列对象检测架构和模型。表现要优于谷歌开源的目标检测框架 EfficientDet，在检测精度和速度上相比yolov4都有较大的提高。目前YOLOv5官方代码中，最新版本是YOLOv5 v6.1，一共给出了5个版本的模型，分别是 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五个模型（如下图所示）。这些不同的变体模型使得YOLOv5能很好的在精度和速度中权衡，方便用户选择。其中五个模型性能依次增强。比如YOLOv5n模型参数量最小，速度最快，AP精度最低；YOLOv5x模型参数量最大，速度最慢，AP精度最高。本博客，我们以YOLOv5最新版本来介绍相关的部署开发。

YOLOv5相比于前面yolo模型的主要特点是：
1、小目标的检测精度上有明显的提高；
2、能自适应锚框计算
3、具有数据增强功能，随机缩放，裁剪，拼接等功能
4、灵活性极高、速度超快，模型超小、在模型的快速部署上具有极强优势

关于YOLOv5的网络结构解释网上有很多，这里就不再赘述了，大家可以看其他大神对于YOLOv5网络结构的解析。

二、YOLOv5模型的获取

为方便使用，博主已经将yolov5模型转化为onnx格式，可在百度网盘下载
链接：https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku
提取码：yiku

1.下载源码

将Ultralytics开源的YOLOv5代码Clone或下载到本地，可以直接点击Download ZIP进行下载，

下载地址：https://github.com/ultralytics/yolov5

2.安装模块

解压刚刚下载的zip文件，然后安装yolov5需要的模块，记住cmd的工作路径要在yolov5文件夹下：

打开cmd切换路径到yolov5文件夹下，并输入如下指令，安装yolov5需要的模块

pip install -r requirements.txt

3.下载预训练模型

打开cmd，进入python环境，使用如下指令下载预训练模型：

import torch# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom

成功下载后如下图所示：

4.转换为onnx模型

在yolov5之前的yolov3和yolov4的官方代码都是基于darknet框架实现的，因此opencv的dnn模块做目标检测时，读取的是.cfg和.weight文件，非常方便。但是yolov5的官方代码是基于pytorch框架实现的。需要先把pytorch的训练模型.pt文件转换到.onnx文件，然后才能载入到opencv的dnn模块里。

将.pt文件转化为.onnx文件，主要是参考了nihate大佬的博客：https://blog.csdn.net/nihate/article/details/112731327

将export.py做如下修改，将def export_onnx（）中的第二个try注释掉，即如下部分注释：

    '''try:check_requirements(('onnx',))import onnxLOGGER.info(f'\n{prefix} starting export with onnx {onnx.__version__}...')f = file.with_suffix('.onnx')print(f)torch.onnx.export(model,im,f,verbose=False,opset_version=opset,training=torch.onnx.TrainingMode.TRAINING if train else torch.onnx.TrainingMode.EVAL,do_constant_folding=not train,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)} if dynamic else None)# Checksmodel_onnx = onnx.load(f)  # load onnx modelonnx.checker.check_model(model_onnx)  # check onnx model# Metadatad = {'stride': int(max(model.stride)), 'names': model.names}for k, v in d.items():meta = model_onnx.metadata_props.add()meta.key, meta.value = k, str(v)onnx.save(model_onnx, f)'''

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 exportprint(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

其中yolov5s可替换为yolov5m\yolov5m\yolov5l\yolov5x

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。

如下图所示是转换之后的yolov5m.onnx的属性：

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

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

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

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，请在评论区留下您的邮箱。

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。

如果文章对你有帮助，欢迎关注、点赞、收藏

【YOLOv5】LabVIEW+YOLOv5快速实现实时物体识别（Object Detection）含源码相关推荐

人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)
人脸识别3:C/C++ InsightFace实现人脸识别Face Recognition(含源码) 目录 1. 前言 2. 项目安装 (1)项目结构 (2)配置开发环境(OpenCV+OpenCL+ ...
人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码)
人脸识别4:Android InsightFace实现人脸识别Face Recognition(含源码) 目录人脸识别4:Android InsightFace实现人脸识别Face Recognit ...
人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载)
人脸识别2:InsightFace实现人脸识别Face Recognition(含源码下载) 目录人脸识别2:InsightFace实现人脸识别Face Recognition(含源码下载) 1. ...
手把手教你使用LabVIEW人工智能视觉工具包快速实现传统Opencv算子的调用(含源码)
文章目录前言一.图像滤波与增强二.图像灰度处理三.阈值处理与设定四.二值化处理五.边缘提取六.角点检测 1.使用cornerMinEigenVal算子 2.使用cornerHarris算 ...
Opencv用hsv识别车牌（含源码）
最近入门Opencv,分配到的任务是识别车牌.作为刚入门的小白,我查阅了大量相关代码,但在学习过程中发现了一些不足(emmm自己垃圾还嫌别人的不好-),例如我搜到的大多是直接用边缘检测加形态学处理来定 ...
Flutter教程之使用 Flutter Flame 快速轻松地创建 2D 游戏(教程含源码)
Flutter 使您能够从单个代码库开发适用于 Android.iOS.桌面和 Web 等平台的应用程序.作为一个多平台的 UI 工具包,Flutter 团队致力于让各类开发者能够快速构建和发布应用. ...
【YOLOv5】手把手教你使用LabVIEW ONNX Runtime部署 TensorRT加速，实现YOLOv5实时物体识别（含源码）
文章目录前言一.TensorRT简介二.准备工作三.YOLOv5模型的获取 1.下载源码 2.安装模块 3.下载预训练模型 4.转换为onnx模型四.LabVIEW使用TensorRT加速Y ...
跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)
跌倒检测和识别3:Android实现跌倒检测(含源码,可实时跌倒检测) 目录跌倒检测和识别3:Android实现跌倒检测(含源码,可实时跌倒检测) 1. 前言 2. 跌倒检测数据集说明 3. 基于Y ...
戴眼镜检测和识别3：Android实现戴眼镜检测和识别(含源码，可实时检测)
Android实现戴眼镜检测和识别(含源码,可实时检测) 目录 Android实现戴眼镜检测和识别(含源码,可实时检测) 1.戴眼镜检测和识别方法 2.戴眼镜人脸检测 3.戴眼镜识别模型训练 4.戴眼 ...

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