OpenCV+ONNX轻松部署B导yolo系列模型，全系列统一代码

2022-11-17 09:48:31

使用 OpenCV 和 ONNX 部署 B 导的 YOLO 系列模型

前言

在计算机视觉领域，B 导的 YOLO 系列模型以其出色的目标检测性能而闻名。然而，对于初学者来说，将这些模型部署到项目中可能是一项艰巨的任务。本文旨在通过介绍一种统一且易于理解的方法来解决这一难题，该方法利用 OpenCV 和 ONNX，让大家快速上手 YOLO 系列模型。

OpenCV 和 ONNX 简介

OpenCV （Open Source Computer Vision Library）是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。ONNX （Open Neural Network Exchange）是一个开源的模型格式，允许将训练好的模型转换为可移植格式，以便在不同平台和框架中部署。

部署步骤

1. 准备模型

首先，我们需要获取 B 导 YOLO 系列模型的预训练权重和配置文件。这些文件可以在 B 导的 GitHub 仓库中找到。

2. 转换模型

接下来，使用 OpenCV 的 dnn 模块将下载的权重文件和配置文件转换为 ONNX 格式。

import cv2

# 加载权重文件和配置文件
net = cv2.dnn.readNetFromDarknet("yolov4.cfg", "yolov4.weights")

# 转换模型
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_OPENCL)
net = cv2.dnn.convertFromDarknet(net)

# 保存 ONNX 模型
net.save("yolov4.onnx")

3. 部署模型

最后，我们可以使用 OpenCV 的 dnn 模块来部署 ONNX 模型。

import cv2

# 加载 ONNX 模型
net = cv2.dnn.readNetFromONNX("yolov4.onnx")

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

# 预处理图像
blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416), (0, 0, 0), swapRB=True, crop=False)

# 设置输入
net.setInput(blob)

# 推理
detections = net.forward()

# 后处理
for detection in detections:
    # 解析检测结果
    class_id = int(detection[5])
    confidence = detection[2]
    x, y, w, h = detection[3:7] * np.array([image.shape[1], image.shape[0], image.shape[1], image.shape[0]])

    # 绘制边框
    cv2.rectangle(image, (int(x - w / 2), int(y - h / 2)), (int(x + w / 2), int(y + h / 2)), (0, 255, 0), 2)

    # 显示标签
    label = f"{classes[class_id]} {confidence:.2%}"
    cv2.putText(image, label, (int(x - w / 2), int(y - h / 2) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 显示图像
cv2.imshow("Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()