跳转至

【小白向】基于YOLOV5的数据集标注,训练,Windows/Linux/Jetson Nano多平台部署全流程

准备工作和数据标注

1. 安装配置Cuda, Cudnn, Pytorch 该部分不进行详细介绍, 具体过程请百度.此处小编使用Pytorch1.9.

2. 制作自己的数据集

这里小编给大家准备了一个人体检测的数据集,供大家测试使用.

链接:https://pan.baidu.com/s/1lpyNNdYqdKj8R-RCQwwCWg 提取码:6agk

3. 数据集准备工作.

(1) 层级关系

yolov5数据集所需的文件夹结构,以小编提供的数据集为例.

  • people文件夹下包含两个子文件夹images(用于存放图片)和labels(用于存放标签文件).
  • images文件夹下包含train和val两个文件夹,分别存放训练集的图片和验证集的图片.
  • labels文件夹下包含train和val两个文件夹,分别存放训练集的标签和验证集的标签.

    dataset.png

(2) 下载标注软件

这里小编自己编写了一款标注软件,直接支持导出yolov5格式。

链接:https://pan.baidu.com/s/1AI5f5BYbboK0KYpHf7v4-A 提取码:19o1

标注软件界面展示

(3) 准备需要标注的数据(注意本软件单次只能标注1000张,建议单次500张以下)

这里我简单准备了5张猫狗数据的。

猫狗数据集展示

(4) 准备标签文件

新建一个labels.txt文件(名字任意).将类名按照自己需要的顺序进行输入(注意,这里的顺序关系到最后导出yolov5 labels文件的标签顺序)

labels.txt内容

4. 开始标注.

(1) 导入图片和标签文件

打开CasiaLabeler软件.点击 标注>打开 导入图片.

点击 标注>添加标签导入标签. 选择之前创建的标签文件,导入后如图.

导入标签

(2) 开始标注并指定标签

初步框选标注对象。

框选目标

在标注信息栏,修改目标的标签。

修改目标的标签

在属性窗口可以修改标注框的颜色。

属性窗口

完成之后。(PS.标注框可以通过Ctrl+C和Ctrl+V进行复制粘贴)

标注完成效果展示

(3) 导出标注结果

点击 标注>导出标注结果>yolov5 ,并指定一个空文件夹.

标签导出到一个空文件夹

(4) 整理数据集层级结构

数据集的组织结构按照这个图排列

PS.

  • 1.标注过程请及时保存工程文件
  • 2.第一次保存工程后,会在工程目录下间隔一定时间自动保存工程。可以点击 帮助>设置 选择自动保存时间间隔。

    标注工程保存间隔时间设置,可调节

  • 3.标注完成后,可以自动切换下一张预览标注结果。点击 视图>预览 即可自动切换标注场景,切换间隔时间按可以点击 帮助>设置 设置预览间隔时间.

    设置预览间隔时间

  • 4.在标注一部分图片后,图片的位置发生了变化,或者图片拷贝至另外一台的电脑上,则会出现路径丢失的情况。

    容错机制

  • 5.丢失解决方法,点击 帮助>设置.在图片路径修改处,选择需要修改的工程,并指定图片新的路径,点击 转换 即可完成工程文件修复。再次打开工程即可。

    丢失解决方法

5. 准备Yolov5代码

1 Clone代码

git clone https://github.com/msnh2012/MsnhnetModelZoo.git (注意!必须Clone小编为msnhnet定制的代码!)

2 安装依赖

pip install requirements.txt(可以手动安装)

6. 准备Yolov5预训练模型

(1) 这里小编已经给大家准备好了预训练模型(yolov5_pred文件夹中)

链接:https://pan.baidu.com/s/1lpyNNdYqdKj8R-RCQwwCWg 提取码:6agk

(2) 将下载好的预训练模型文件拷贝至yolov5ForMsnhnet/yolov5/weights文件夹下

模型训练

1. 准备工作

(1) 数据集准备(这里以people数据集为例)

  • 将标注好的数据集放置在datas文件夹下。
  • 在datas文件夹下创建一个people.yaml文件,用于配置数据集信息
  • train: 训练集图片位置
  • val: 验证集图片位置
  • nc: 类别数量
  • names: 所有类的名称

    yaml文件配置

(2) 选择所需训练的模型(这里以yolov5m为例)

  • 在models文件夹下,复制一份yolov5m.yaml,重新命名为yolov5m_people.yaml.
  • 将nc改为1(还是一样,改成数据集的类的个数).

    nc代表数据集目标类别总数

(3) 关于anchors

# anchors
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

anchors参数共有三行,每行9个数值;每一行代表不同的特征图;

  • 第一行是在最大的特征图上的anchors
  • 第二行是在中间的特征图上的anchors
  • 第三行是在最小的特征图上的anchors

  • yolov5会在训练最开始自动对anchors进行check(可以修改 train.py中以下代码使用或者不使用自动anchor).

parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
  • 如果标注信息对anchor的最佳召回率>=0.98,则不需要重新计算anchors, 反之则需要从新计算。

check代码如下:

  • 参数:
    • dataset: 数据集
    • model: 模型
    • thr: dataset中标注框宽高比最大阈值,参数在超参文件 hyp.scratch.yaml"中"anchor_t"设置。
    • imgsz: 图片尺寸
def check_anchors(dataset, model, thr=4.0, imgsz=640):
    # Check anchor fit to data, recompute if necessary
    print('\nAnalyzing anchors... ', end='')
    m = model.module.model[-1] if hasattr(model, 'module') else model.model[-1]  # Detect()
    shapes = imgsz * dataset.shapes / dataset.shapes.max(1, keepdims=True)
    scale = np.random.uniform(0.9, 1.1, size=(shapes.shape[0], 1))  # augment scale
    wh = torch.tensor(np.concatenate([l[:, 3:5] * s for s, l in zip(shapes * scale, dataset.labels)])).float()  # wh 

    def metric(k):  # compute metric
        r = wh[:, None] / k[None]
        x = torch.min(r, 1. / r).min(2)[0]  # ratio metric
        best = x.max(1)[0]  # best_x
        aat = (x > 1. / thr).float().sum(1).mean()  # anchors above threshold
        bpr = (best > 1. / thr).float().mean()  # best possible recall
        return bpr, aat

    bpr, aat = metric(m.anchor_grid.clone().cpu().view(-1, 2))
    print('anchors/target = %.2f, Best Possible Recall (BPR) = %.4f' % (aat, bpr), end='')
    if bpr < 0.98:  # threshold to recompute
        print('. Attempting to generate improved anchors, please wait...' % bpr)
        na = m.anchor_grid.numel() // 2  # number of anchors
        new_anchors = kmean_anchors(dataset, n=na, img_size=imgsz, thr=thr, gen=1000, verbose=False)
        new_bpr = metric(new_anchors.reshape(-1, 2))[0]
        if new_bpr > bpr:  # replace anchors
            new_anchors = torch.tensor(new_anchors, device=m.anchors.device).type_as(m.anchors)
            m.anchor_grid[:] = new_anchors.clone().view_as(m.anchor_grid)  # for inference
            m.anchors[:] = new_anchors.clone().view_as(m.anchors) / m.stride.to(m.anchors.device).view(-1, 1, 1)  # loss
            check_anchor_order(m)
            print('New anchors saved to model. Update model *.yaml to use these anchors in the future.')
        else:
            print('Original anchors better than new anchors. Proceeding with original anchors.')
    print('')  # newline
  • 聚类anchor代码:
  • 参数:
    • path: 之前创建的people.yaml数据集配置文件路径
    • n: anchors 组数量 xx,xx为一组
    • img_size: 图片尺寸
    • thr: dataset中标注框宽高比最大阈值,参数在超参文件 hyp.scratch.yaml"中"anchor_t"设置。
    • gen: kmean算法iter次数
    • verbose: 是否打印结果
def kmean_anchors(path='./data/coco128.yaml', n=9, img_size=640, thr=4.0, gen=1000, verbose=True):
    """ Creates kmeans-evolved anchors from training dataset

        Arguments:
            path: path to dataset *.yaml, or a loaded dataset
            n: number of anchors
            img_size: image size used for training
            thr: anchor-label wh ratio threshold hyperparameter hyp['anchor_t'] used for training, default=4.0
            gen: generations to evolve anchors using genetic algorithm

        Return:
            k: kmeans evolved anchors

        Usage:
            from utils.general import *; _ = kmean_anchors()
    """

    thr = 1. / thr

    def metric(k, wh):  # compute metrics
        r = wh[:, None] / k[None]
        x = torch.min(r, 1. / r).min(2)[0]  # ratio metric
        # x = wh_iou(wh, torch.tensor(k))  # iou metric
        return x, x.max(1)[0]  # x, best_x

    def fitness(k):  # mutation fitness
        _, best = metric(torch.tensor(k, dtype=torch.float32), wh)
        return (best * (best > thr).float()).mean()  # fitness

    def print_results(k):
        k = k[np.argsort(k.prod(1))]  # sort small to large
        x, best = metric(k, wh0)
        bpr, aat = (best > thr).float().mean(), (x > thr).float().mean() * n  # best possible recall, anch > thr
        print('thr=%.2f: %.4f best possible recall, %.2f anchors past thr' % (thr, bpr, aat))
        print('n=%g, img_size=%s, metric_all=%.3f/%.3f-mean/best, past_thr=%.3f-mean: ' %
              (n, img_size, x.mean(), best.mean(), x[x > thr].mean()), end='')
        for i, x in enumerate(k):
            print('%i,%i' % (round(x[0]), round(x[1])), end=',  ' if i < len(k) - 1 else '\n')  # use in *.cfg
        return k

    if isinstance(path, str):  # *.yaml file
        with open(path) as f:
            data_dict = yaml.load(f, Loader=yaml.FullLoader)  # model dict
        from utils.datasets import LoadImagesAndLabels
        dataset = LoadImagesAndLabels(data_dict['train'], augment=True, rect=True)
    else:
        dataset = path  # dataset

    # Get label wh
    shapes = img_size * dataset.shapes / dataset.shapes.max(1, keepdims=True)
    wh0 = np.concatenate([l[:, 3:5] * s for s, l in zip(shapes, dataset.labels)])  # wh

    # Filter
    i = (wh0 < 3.0).any(1).sum()
    if i:
        print('WARNING: Extremely small objects found. '
              '%g of %g labels are < 3 pixels in width or height.' % (i, len(wh0)))
    wh = wh0[(wh0 >= 2.0).any(1)]  # filter > 2 pixels

    # Kmeans calculation
    print('Running kmeans for %g anchors on %g points...' % (n, len(wh)))
    s = wh.std(0)  # sigmas for whitening
    k, dist = kmeans(wh / s, n, iter=30)  # points, mean distance
    k *= s
    wh = torch.tensor(wh, dtype=torch.float32)  # filtered
    wh0 = torch.tensor(wh0, dtype=torch.float32)  # unflitered
    k = print_results(k)

    # Plot
    # k, d = [None] * 20, [None] * 20
    # for i in tqdm(range(1, 21)):
    #     k[i-1], d[i-1] = kmeans(wh / s, i)  # points, mean distance
    # fig, ax = plt.subplots(1, 2, figsize=(14, 7))
    # ax = ax.ravel()
    # ax[0].plot(np.arange(1, 21), np.array(d) ** 2, marker='.')
    # fig, ax = plt.subplots(1, 2, figsize=(14, 7))  # plot wh
    # ax[0].hist(wh[wh[:, 0]<100, 0],400)
    # ax[1].hist(wh[wh[:, 1]<100, 1],400)
    # fig.tight_layout()
    # fig.savefig('wh.png', dpi=200)

    # Evolve
    npr = np.random
    f, sh, mp, s = fitness(k), k.shape, 0.9, 0.1  # fitness, generations, mutation prob, sigma
    pbar = tqdm(range(gen), desc='Evolving anchors with Genetic Algorithm')  # progress bar
    for _ in pbar:
        v = np.ones(sh)
        while (v == 1).all():  # mutate until a change occurs (prevent duplicates)
            v = ((npr.random(sh) < mp) * npr.random() * npr.randn(*sh) * s + 1).clip(0.3, 3.0)
        kg = (k.copy() * v).clip(min=2.0)
        fg = fitness(kg)
        if fg > f:
            f, k = fg, kg.copy()
            pbar.desc = 'Evolving anchors with Genetic Algorithm: fitness = %.4f' % f
            if verbose:
                print_results(k)

    return print_results(k) 


(3) train文件

复制一个train.py文件命名为train_people.py.修改模型参数

模型可配置的超参数

修改opt参数

  • weights: 加载的权重文件(weights文件夹下yolov5m.pt)
  • cfg: 模型配置文件,网络结构(model文件夹下yolov5m_people.yaml)
  • data: 数据集配置文件,数据集路径,类名等(datas文件夹下people.yaml)
  • hyp: 超参数文件
  • epochs: 训练总轮次
  • batch-size: 批次大小
  • img-size: 输入图片分辨率大小(512*512)
  • rect: 是否采用矩形训练,默认False
  • resume: 接着打断训练上次的结果接着训练
  • nosave: 不保存模型,默认False
  • notest: 不进行test,默认False
  • noautoanchor: 不自动调整anchor,默认False
  • evolve: 是否进行超参数进化,默认False
  • bucket: 谷歌云盘bucket,一般不会用到
  • cache-images: 是否提前缓存图片到内存,以加快训练速度,默认False
  • name: 数据集名字,如果设置:results.txt to results_name.txt,默认无
  • device: 训练的设备,cpu;0(表示一个gpu设备cuda:0);0,1,2,3(多个gpu设备)
  • multi-scale: 是否进行多尺度训练,默认False
  • single-cls: 数据集是否只有一个类别,默认False
  • adam: 是否使用adam优化器
  • sync-bn: 是否使用跨卡同步BN,在DDP模式使用
  • local_rank: gpu编号
  • logdir: 存放日志的目录
  • workers: dataloader的最大worker数量(windows需设置为0)

超参数配置

2. 开始train

python train_people.py

训练流程展示

训练过程中,会在yolov5/runs文件夹下生成一个exp文件夹,

  • weights包含训练过程中最后一次训练好的模型last.pt和历史最佳模型best.pt。
  • events文件可以使用tensorboard查看训练过程。 在exp文件夹中,打开终端,运行 tensorboard --logdir=. 在浏览器中输入 http://localhost:6006/ 可查看训练过程与曲线. 可视化监控

  • 其它过程文件。

推理测试

  • 将runs/exp文件夹下的best.pt文件拷贝到weights文件夹下。
  • 在inference/images文件夹下放置几个测试图片。这里放置一张官方的bus.jpg

bus.jpg

在yolov5文件夹中打开终端,执行:

python detect --weights weights/best.pt --source inference/images --output inference/output

  • 在inference/output文件夹中会生成推理结果。

预测结果

至此,使用pytorch训练yolov5模型完成,下一节将介绍如何在CMake(c++),Winform(C#)以及windows(PC),linux(Jetson Nx)中使用Msnhnet部署yolov5.

基于MsnhNet部署yolov5

本篇将分windows和linux, pc和jetson nx平台分别给大家讲解如何使用Msnhnet部署yolov5.

pytorch模型转msnhnet

在yolov5文件夹下打开终端。将best.pt拷贝至weights文件夹下。执行

 python yolov5ToMsnhnet.py 

yolov5ToMsnhnet.py文件内容:

from PytorchToMsnhnet import *
Msnhnet.Export = True
from models.experimental import attempt_load
import torch

weights     = "weights/best.pt" # pt文件
msnhnetPath = "yolov5m.msnhnet" # 导出.msnhnet文件
msnhbinPath = "yolov5m.msnhbin" # 导出.msnhbin文件

model = attempt_load(weights, "cpu") 
model.eval() # cpu模式,推理模式

img = torch.rand(512*512*3).reshape(1,3,512,512) #生成随机推理数据

tans(model,img,msnhnetPath,msnhbinPath) #模型转换

导出成功后会在文件夹下生成yolov5m.msnhnet和yolov5m.msnhbin文件。

Windows 篇

1. 准备工作

(1) 安装Visual studio

vs安装界面

(2) 安装cuda和cudnn, 此处请自行百度.

  • cuda网址:https://developer.nvidia.com/cuda-downloads

  • cudnn网址:https://developer.nvidia.com/zh-cn/cudnn

  • 下载cudaxx.exe文件安装cuda(此过程最好使用cuda中自带的显卡驱动程序),下载cudnnxxx.zip文件,将其解压到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vxx.xx文件夹下,即完成了cuda和cudnn配置。

  • 将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vxx.xx 添加到系统环境变量。

设置CUDA环境变量

(3) 打开cmd, 输入nvcc.测试cuda是否安装完成。以下结果说明cuda配置完成。

CUDA配置成功标志

(4) 安装cmake(建议3.17).

(5) clone Msnhnet git clone https://github.com/msnh2012/Msnhnet.git

2. 编译OpenCV库

(1) 小编这里给大家准备好了OpenCV的源码文件,不用科学上网了。

链接:https://pan.baidu.com/s/1lpyNNdYqdKj8R-RCQwwCWg 提取码:6agk

(2) 打开cmake-gui.exe。

选择OpenCV和要编译的目标路径

(3) 点击config选择安装的visual studio版本,选择x64(此处以VS2017为例),点击Finish,等待配置完成.

选择安装的visual studio版本

(4) 参数配置.

  - CMAKE_INSTALL_PREFIX #指定安装位置,如: D:/libs/opencv
  - CPU_BASELINE #选择AVX2(如果CPU支持AVX2加速)
  - BUILD_TESTS #取消勾选

(5) 点击generate->Generating done.

(6) 点击Open Project.分别选择Debug右键生成。(此过程需要等待10min~60min不等,根据电脑配置)

OpenCV编译

(7) 右键安装。(会将编译好的可执行文件安装在指定安装位置,如:D:/libs/opencv)

安装OpenCV到指定路径

(8) 重复6-7步选择Release版本进行编译安装。

(9) 指定OpenCV_DIR环境变量,用于CMakeList能使用FindPackage找到OpenCV.

OpenCV环境变量

(10) 指定Path环境变量.在Path环境变量下添加Opencv的bin文件夹位置,如: D:\libs\opencv\x64\vc15\bin

3. 编译Msnhnet库

(1) 打开cmake-gui.exe。

选中Msnhnet源码路径和build文件夹路径

(2) 点击config选择安装的visual studio版本,选择x64(此处以VS2017为例),点击Finish,等待配置完成.

选择安装的visual studio版本

(3) 勾选以下参数。

 - CMAKE_INSTALL_PREFIX #指定安装位置,如: D:/libs/Msnhnet
 - BUILD_EXAMPLE      #构建示例
 - BUILD_SHARED_LIBS  #构建动态链接库
 - BUILD_USE_CUDNN    #使用CUDNN
 - BUILD_USE_GPU      #使用GPU
 - BUILD_USE_OPENCV   #使用OPENCV
 - ENABLE_OMP         #使用OMP
 - OMP_MAX_THREAD     #使用最大核心数

编译Msnhnet cmake选项

(4) 点击generate->Generating done.

(5) 点击Open Project.分别选择Debug右键生成。

VS编译MsnhNet

(6) 右键安装。(会将编译好的可执行文件安装在指定安装位置,如:D:/libs/Msnhnet)

VS安装MsnhNet

(7) 重复6-7步选择Release版本进行编译安装.

(8) 指定Msnhnet_DIR环境变量,用于CMakeList能使用FindPackage找到Msnhnet.

配置MsnhNet环境变量

(9)指定Path环境变量.在Path环境变量下添加Msnhnet的bin文件夹位置,如: D:\libs\Msnhnet\bin

(10) 测试。

yolov3_gpu D:/models
yolov3_gpu_fp16 D:/models #fp16推理

推理结果展示

  • 当然,你可以可以测试其它模型。

4. 使用C#部署Msnhnet

(1) clone MsnhnetSharp

git clone https://github.com/msnh2012/MsnhnetSharp

(2) 双击打开MsnhnetSharp.sln文件

(3) 选择x64平台和Release模式,右键生成MsnhnetSharp,再生成MsnhnetForm.

(4) 点击启动按钮。

(5) 在参数配置栏,分别指定msnhnetPath和msnhbinPath为之前导出的yolov5m的参数。然后将上一节制作好的labels.txt文件,复制一份,重命名为labels.names.

(6) 点击初始化网络。等待初始化完成,init done.

(7) 点击读取图片, 选择那张bus.jpg.

(8) 点击yolo GPU(Yolo Detect GPU). 第一次推理时间较长。

(9) 点击重置图片。

(10) 再次点击yolo GPU(Yolo Detect GPU). 随后推理时间正常.

界面展示

至此,使用C#部署Msnhnet完成,后续可以参考MsnhnetForm将MsnhnetSharp部署到你自己的工程中。

5. 使用CMake部署Msnhnet

工程文件源码: 链接:https://pan.baidu.com/s/1lpyNNdYqdKj8R-RCQwwCWg 提取码:6agk

(1) 新建MsnhnetPrj文件夹

(2) 将yolov5m.msnhnet,yolov5m.msnhbin,labels.txt拷贝到MsnhnetPrj文件夹内

(3) 新建CMakeLists.txt文件

cmake_minimum_required(VERSION 3.15)
project(yolov5m_msnhnet
        LANGUAGES CXX C CUDA
        VERSION 1.0)

find_package(OpenCV REQUIRED)
find_package(Msnhnet REQUIRED)
find_package(OpenMP REQUIRED)

add_executable(yolov5m_msnhnet yolov5m_msnhnet.cpp)

target_include_directories(yolov5m_msnhnet PUBLIC ${Msnhnet_INCLUDE_DIR})
target_link_libraries(yolov5m_msnhnet PUBLIC ${OpenCV_LIBS} Msnhnet)

(4) 新建yolov5m_msnhnet.cpp文件

#include <iostream>
#include "Msnhnet/net/MsnhNetBuilder.h"
#include "Msnhnet/io/MsnhIO.h"
#include "Msnhnet/config/MsnhnetCfg.h"
#include "Msnhnet/utils/MsnhOpencvUtil.h"

void yolov5sGPUOpencv(const std::string& msnhnetPath, const std::string& msnhbinPath, const std::string& imgPath,  const std::string& labelsPath)
{
    try
    {
        Msnhnet::NetBuilder  msnhNet;
        Msnhnet::NetBuilder::setOnlyGpu(true);
        //msnhNet.setUseFp16(true); //开启使用FP16推理
        msnhNet.buildNetFromMsnhNet(msnhnetPath);
        std::cout<<msnhNet.getLayerDetail();
        msnhNet.loadWeightsFromMsnhBin(msnhbinPath);
        std::vector<std::string> labels ;
        Msnhnet::IO::readVectorStr(labels, labelsPath.data(), "\n");
        Msnhnet::Point2I inSize = msnhNet.getInputSize();

        std::vector<float> img;
        std::vector<std::vector<Msnhnet::YoloBox>> result;

        img = Msnhnet::OpencvUtil::getPaddingZeroF32C3(imgPath, cv::Size(inSize.x,inSize.y));
        for (size_t i = 0; i < 10; i++)
        {
            auto st = Msnhnet::TimeUtil::startRecord();
            result = msnhNet.runYoloGPU(img);
            std::cout<<"time  : " << Msnhnet::TimeUtil::getElapsedTime(st) <<"ms"<<std::endl<<std::flush;
        }

        cv::Mat org = cv::imread(imgPath);
        Msnhnet::OpencvUtil::drawYoloBox(org,labels,result,inSize);
        cv::imshow("test",org);
        cv::waitKey();
    }
    catch (Msnhnet::Exception ex)
    {
        std::cout<<ex.what()<<" "<<ex.getErrFile() << " " <<ex.getErrLine()<< " "<<ex.getErrFun()<<std::endl;
    }
}

int main(int argc, char** argv)
{
    std::string msnhnetPath = "yolov5m.msnhnet";
    std::string msnhbinPath = "yolov5m.msnhbin";
    std::string labelsPath  = "labels.txt";
    std::string imgPath = "bus.jpg";

    yolov5sGPUOpencv(msnhnetPath, msnhbinPath, imgPath,labelsPath);
    getchar();

    return 0;
}

(5) 配置CMake

打开cmake-gui.exe,按以下配置.点击Config.Generate

基于Cmake编译Msnhnet,更加方便的方式

(6) 编译,点击Open Project,选择Release模式,参考之前编译Msnhnet直接生成。

编译MsnhNet工程

(7) 拷贝可执行文件。 从MsnhnetPrj/build/Release/yolov5m_msnhnet.exe拷贝到MsnhnetPrj目录。

(8) 部署结果

双击yolov5m_msnhnet.exe查看部署结果

推理完成

Linux(Jetson NX) 篇

1. 准备工作

一般来说,Jetson都已经自带了cuda和cudnn,故不用专门安装。

  • 安装构建工具
sudo apt-get install build-essential
  • 安装opencv
sudo apt-get install libopencv 

2. 编译Msnhnet库

(1) 终端打开cmake-gui。

cmake-gui界面

(2) 点击config选择cmake的编译链

使用默认的gcc编译器

(3) 勾选以下参数。

 - CMAKE_INSTALL_PREFIX #指定安装位置,如: D:/libs/Msnhnet
 - BUILD_EXAMPLE      #构建示例
 - BUILD_SHARED_LIBS  #构建动态链接库
 - BUILD_USE_CUDNN    #使用CUDNN
 - BUILD_USE_GPU      #使用GPU
 - BUILD_USE_NEON     #使用neon加速
 - BUILD_USE_OPENCV   #使用OPENCV
 - ENABLE_OMP         #使用OMP
 - OMP_MAX_THREAD     #使用最大核心数

Linux Cmake编译MsnhNet的编译选项

(4) 点击generate->Generating done.

(5) 在Msnhnet/build文件夹中打开终端。

make -j
sudo make install

(6) 配置系统环境变量

sudo gedit /etc/ld.so.conf.d/usr.confg
# 添加: /usr/local/lib
sudo ldconfig

(7) 测试。

cd /usr/local/bin
yolov3_gpu /home/xxx/models
yolov3_gpu_fp16 /home/xxx/models #fp16推理

预测结果展示

  • 当然,你可以可以测试其它模型。

3. 使用CMake部署Msnhnet 工程文件源码: 链接:https://pan.baidu.com/s/1lpyNNdYqdKj8R-RCQwwCWg 提取码:6agk

(1) 新建MsnhnetPrj文件夹

(2) 将yolov5m.msnhnet,yolov5m.msnhbin,labels.txt拷贝到MsnhnetPrj文件夹内

(3) 新建CMakeLists.txt文件

cmake_minimum_required(VERSION 3.15)
project(yolov5m_msnhnet
        LANGUAGES CXX C CUDA
        VERSION 1.0)

find_package(OpenCV REQUIRED)
find_package(Msnhnet REQUIRED)
find_package(OpenMP REQUIRED)

add_executable(yolov5m_msnhnet yolov5m_msnhnet.cpp)

target_include_directories(yolov5m_msnhnet PUBLIC ${Msnhnet_INCLUDE_DIR})
target_link_libraries(yolov5m_msnhnet PUBLIC ${OpenCV_LIBS} Msnhnet)

(4) 新建yolov5m_msnhnet.cpp文件

#include <iostream>
#include "Msnhnet/net/MsnhNetBuilder.h"
#include "Msnhnet/io/MsnhIO.h"
#include "Msnhnet/config/MsnhnetCfg.h"
#include "Msnhnet/utils/MsnhOpencvUtil.h"


void yolov5sGPUOpencv(const std::string& msnhnetPath, const std::string& msnhbinPath, const std::string& imgPath,  const std::string& labelsPath)
{
    try
    {
        Msnhnet::NetBuilder  msnhNet;
        Msnhnet::NetBuilder::setOnlyGpu(true);
        //msnhNet.setUseFp16(true); //开启使用FP16推理
        msnhNet.buildNetFromMsnhNet(msnhnetPath);
        std::cout<<msnhNet.getLayerDetail();
        msnhNet.loadWeightsFromMsnhBin(msnhbinPath);
        std::vector<std::string> labels ;
        Msnhnet::IO::readVectorStr(labels, labelsPath.data(), "\n");
        Msnhnet::Point2I inSize = msnhNet.getInputSize();

        std::vector<float> img;
        std::vector<std::vector<Msnhnet::YoloBox>> result;

        img = Msnhnet::OpencvUtil::getPaddingZeroF32C3(imgPath, cv::Size(inSize.x,inSize.y));
        for (size_t i = 0; i < 10; i++)
        {
            auto st = Msnhnet::TimeUtil::startRecord();
            result = msnhNet.runYoloGPU(img);
            std::cout<<"time  : " << Msnhnet::TimeUtil::getElapsedTime(st) <<"ms"<<std::endl<<std::flush;
        }

        cv::Mat org = cv::imread(imgPath);
        Msnhnet::OpencvUtil::drawYoloBox(org,labels,result,inSize);
        cv::imshow("test",org);
        cv::waitKey();
    }
    catch (Msnhnet::Exception ex)
    {
        std::cout<<ex.what()<<" "<<ex.getErrFile() << " " <<ex.getErrLine()<< " "<<ex.getErrFun()<<std::endl;
    }
}

int main(int argc, char** argv)
{
    std::string msnhnetPath = "../yolov5m.msnhnet";
    std::string msnhbinPath = "../yolov5m.msnhbin";
    std::string labelsPath  = "../labels.txt";
    std::string imgPath = "../bus.jpg";

    yolov5sGPUOpencv(msnhnetPath, msnhbinPath, imgPath,labelsPath);
    getchar();

    return 0;
}

(5) 编译,在MsnhnetPrj文件夹下打开终端

mkdir build
cd build 
make 
./yolov5m_msnhnet

(6) 部署结果

基于Cmake构建工程结果展示

Linux(PC) 篇

和Jetson Nx部署类似, 主要区别是先要在Linux上配置好cuda和cudnn, 然后卸载CMake, 安装CMake 3.17版本. 其它的和Jestson NX一样.(ps. 在CMake参数配置里没有NEON项,此为ARM平台专有)

到此,使用Msnhnet从0到部署Yolov5网络完成。

最后