树莓派5yolov5 onnx

### 将 YOLOv5 转换为 ONNX 并在树莓派 5 部署 #### 准备工作环境 为了确保能够在树莓派 5 上成功转换和部署 YOLOv5 模型，需要先安装必要的依赖库。这包括 PyTorch 和其他辅助工具。 ```bash pip install torch torchvision torchaudio onnx onnxruntime opencv-python ``` 这些命令会安装用于模型操作所需的 Python 库[^1]。 #### 下载预训练权重文件 获取官方发布的 YOLOv5 权重文件对于后续的操作至关重要： ```python import os from pathlib import Path weights_path = "yolov5s.pt" if not os.path.exists(weights_path): !wget https://github.com/ultralytics/yolov5/releases/download/v5.0/{weights_path} ``` 这段脚本检查本地是否存在指定名称的权重文件；如果不存在，则从互联网下载最新版本的预训练参数。 #### 导入所需模块并加载模型 接下来定义函数来导入必需的类以及初始化检测器实例： ```python import torch from models.experimental import attempt_load device = 'cpu' # 使用 CPU 运行推理过程 model = attempt_load(weights=weights_path, map_location=device) model.eval() ``` 此部分代码设置了设备类型（这里选择了CPU），并且调用了 `attempt_load` 方法加载之前准备好的 .pt 文件中的网络结构及其对应的权值矩阵。 #### 执行导出到 ONNX 的具体步骤 现在可以执行实际的转换流程了： ```python dummy_input = torch.randn(1, 3, 640, 640).to(device) output_onnx = 'yolov5.onnx' input_names = ["image"] output_names = ['num_detections', 'boxes', 'scores', 'classes'] torch.onnx.export( model, dummy_input, output_onnx, verbose=False, input_names=input_names, output_names=output_names, opset_version=12 ) print(f"Model has been converted to {output_onnx}") ``` 上述代码片段创建了一个虚拟输入张量作为示例数据传递给 `.export()` 接口完成整个迁移动作，并指定了输出文件名和其他一些配置选项。 #### 测试转换后的 ONNX 模型 最后一步是在目标平台上验证新生成的 ONNX 版本能否正常运作： ```python import cv2 import numpy as np import onnxruntime as ort session = ort.InferenceSession(output_onnx) img = cv2.imread('test.jpg') resized_img = cv2.resize(img, (640, 640)) blob = np.expand_dims(resized_img.transpose((2, 0, 1)), axis=0)/255. outputs = session.run(None, {"image": blob.astype(np.float32)}) for box in outputs[1][0]: x_min, y_min, x_max, y_max = int(box[0]), int(box[1]), int(box[2]), int(box[3]) cv2.rectangle(img, (x_min, y_min), (x_max, y_max), color=(0, 255, 0)) cv2.imshow("Detected Objects", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 该测试程序读取一张图片，调整大小至适合输入尺寸后送入已编译完毕的 ONNX Runtime Session 中计算预测框位置，再将结果显示出来以便观察效果。