yolov8obb onpython onnx_test.pynx部署在jetson axiver nx代码

### 如何在 Jetson AGX Orin NX 上用 Python 和 ONNX 部署 YOLOv8 OBB 模型 为了实现在 Jetson AGX Orin NX 设备上使用 Python 和 ONNX 来部署带有方向边界框 (Oriented Bounding Box, OBB) 的 YOLOv8 模型，可以按照如下方法操作： #### 准备环境 确保已安装必要的库文件，包括 `onnxruntime` 和其他依赖项。可以通过 pip 安装这些包。 ```bash pip install onnxruntime numpy opencv-python ``` #### 加载并运行模型 下面是一个完整的 Python 脚本例子来加载 ONNX 格式的 YOLOv8 模型并对图像执行推理过程: ```python import cv2 import numpy as np import onnxruntime as ort def preprocess(image_path): img = cv2.imread(image_path) height, width = img.shape[:2] # Resize image to match input size of the model and normalize it. resized_img = cv2.resize(img, (640, 640)) normalized_img = resized_img / 255.0 # Add batch dimension and transpose dimensions for NCHW format required by ONNX models. transposed_img = np.transpose(normalized_img, axes=[2, 0, 1]) input_tensor = np.expand_dims(transposed_img, axis=0).astype(np.float32) return input_tensor, (height, width) def postprocess(outputs, original_shape): boxes = outputs[0][0][:, :5] # Extract box coordinates with confidence scores. # Adjust bounding boxes back into original image space here... return boxes if __name__ == "__main__": session = ort.InferenceSession("yolov8n-obb.onnx") input_data, orig_size = preprocess('img.png') output_names = [output.name for output in session.get_outputs()] results = session.run(output_names=output_names, input_feed={"images": input_data}) detections = postprocess(results, orig_size) print(detections) ``` 此代码片段展示了如何准备输入数据、调用 ONNX Runtime 进行预测以及处理输出结果[^1]。