用OpenCV.dnn部署B导(bubbliiiing)的YOLO系列，打造统一推理部署方案

人工智能

2023-07-15 18:46:30

用 OpenCV.dnn 部署 B 导的 YOLO 系列：一劳永逸的推理部署方案

正片来了

在目标检测的江湖里，B 导 (bubbliiiing) 的 YOLO 系列可是响当当的人物。从 yolov4 到 yolov7，再到最新的 yolov5-6.1，个个身怀绝技，在各大竞赛中崭露头角。

然而，让不少小伙伴挠头的，是这些模型的推理部署。不同的模型，不同的部署环境，搞得头晕脑胀，部署起来费时费力。

别慌，我这就放大招！

OpenCV.dnn，部署神器

计算机视觉领域的明星选手 OpenCV.dnn 了解一下。这哥们可是神经网络推理部署的扛把子，支持多种模型格式，比如 ONNX、Caffe、TensorFlow。这次，咱就用它来搞定 B 导的 YOLO 系列模型。

ONNX，模型转换利器

ONNX 是个开放的模型格式，能把不同框架的模型转换成统一的格式，方便在不同平台和设备上部署。咱就用它把 B 导的 YOLO 系列模型转换成统一的格式，为 OpenCV.dnn 的推理部署做好准备。

统一推理部署方案，一劳永逸

经过 OpenCV.dnn 和 ONNX 的强强联合，我终于搞定了 B 导 YOLO 系列模型的统一推理部署方案。从此以后，小伙伴们只需牢记 OpenCV.dnn，就能轻松部署 B 导的 YOLO 系列模型，再也不用为不同的模型和部署环境而烦恼了。

代码示例

import cv2
import numpy as np

# 加载 YOLOv5s 模型
net = cv2.dnn.readNet("yolov5s.onnx")

# 加载图片
image = cv2.imread("image.jpg")

# 预处理图片
blob = cv2.dnn.blobFromImage(image, 1/255.0, (640, 640), (0, 0, 0), swapRB=True, crop=False)

# 设置模型输入
net.setInput(blob)

# 推理
detections = net.forward()

# 解析检测结果
for detection in detections:
    confidence = detection[2]
    if confidence > 0.5:
        x, y, w, h = detection[3:7] * np.array([image.shape[1], image.shape[0], image.shape[1], image.shape[0]])
        cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 显示结果
cv2.imshow("Image", image)
cv2.waitKey(0)