YOLOv5x6模型来了! 同样支持CPU上ONNX部署与推理
说一下是
YOLOv5的第五个版本
，
不是YOLO的第五个版本
！是YOLOv5又又改进了！
01
YOLOv5x6模型来了
自从Pytorch版本YOLOv5发布之后，经历过了四个版本的升级，YOLOv5的功能与模型精度不断提升。不久之前YOLOv5-Pytorch发布第五个版本，第五个版本跟之前版本最大的差异就是多出了一个输出层，之前的输出层分辨率倍数为：[8、16、32]三个层的输出。现在YOLOv5多出的一个输出层之后，它的输出变为：[8、16、32、64]。但是我找遍了model文件夹中的模型描述文件，没发现跟模型对应的描述文件，所以我就不知道是否可以支持训练。这里我就重点说一下如何使用已经发布的YOLOv5支持四层输出的模型：
别担心之前的第四版本模型都可以用，模型命名带数字6的都是支持四个输出层的，以YOLOv5s6为例，转ONNX格式查看截图如下：
02
数值精度取舍
首先需要需要运行下面的命令行获取整个YOLOv5项目的源码：
git clone https://github.com/ultralytics/yolov5.git
然后测试运行：
测试没有问题，就可以转换模型yolov5s6为ONNX格式，命令行如下：
这样就获取到了ONNX格式文件，注意它的对应输出格式为：
1x3x1280x1280
RGB, 像素值在0到1之间
导入模型
model_onnx = "D:/python/yolov5/yolov5s6.onnx"
net = ie.read_network(model=model_onnx)
input_blob = next(iter(net.input_info))
head_it = iter(net.outputs)
out_blob_160 = next(head_it) # 160
out_blob_80 = next(head_it) # 80
out_blob_40 = next(head_it) # 40
out_blob_20 = next(head_it) # 20
处理输入图象与推理
rgb = cv.cvtColor(frame, cv.COLOR_BGR2RGB)
rgb = cv.resize(rgb, (w, h))
image = np.float32(rgb.transpose(2, 0, 1))/255.0
inf_start = time.time()
res = exec_net.infer(inputs={input_blob:[image]})
outs = []
outs.append(res[out_blob_20])
outs.append(res[out_blob_40])
outs.append(res[out_blob_80])
outs.append(res[out_blob_160])
解析输出结果：
for out in outs:
out = np.squeeze(out, 0)
dims, side_h, side_w, side_data = out.shape
side_square = side_h * side_w
stride = get_stride(side_w)
anchor_index = get_anchor_index(side_w)
for i in range(side_square):
for d in range(dims):
row = i // side_h;
col = i % side_h;
box_data = out[d, row, col]
conf = sigmoid(box_data[4]);
if conf < 0.25:
continue
xx = (sigmoid(box_data[0]) * 2 - 0.5 + col) * stride;
yy = (sigmoid(box_data[1]) * 2 - 0.5 + row) * stride;
ww = pow(sigmoid(box_data[2]) * 2, 2) * anchors[anchor_index + d * 2];
hh = pow(sigmoid(box_data[3]) * 2, 2) * anchors[anchor_index + d * 2 + 1];
max_prob = -1
max_index = -1
for p in range(5, 85, 1):
prob = sigmoid(box_data[p])
if prob > max_prob:
max_prob = prob
max_index = p - 5
# 转换为top - left, bottom - right坐标
x1 = int((xx - ww / 2) * sx)
y1 = int((yy - hh / 2) * sy)
x2 = int((xx + ww / 2) * sx)