yolov5s添加FPS

### 如何在YOLOv5s中实现FPS计算 为了实现在YOLOv5s中的FPS（帧率）计算，可以按照以下方式修改代码来记录并展示整个流程的性能指标。这不仅有助于了解系统的实际表现，还能帮助定位潜在瓶颈。 #### 修改推理脚本以支持FPS统计 可以在现有的推理循环内加入计时逻辑，分别测量图像预处理(pre-process)，模型推理(inference)以及非极大值抑制(NMS)[^5]三个阶段所耗费的时间： ```python import time from pathlib import Path import cv2 import torch def main(): # 初始化设备和加载模型 device = 'cuda' if torch.cuda.is_available() else 'cpu' model_path = Path('path/to/yolov5s.engine') # 加载TensorRT引擎和其他初始化操作... cap = cv2.VideoCapture(video_source) frame_times = [] while True: start_time = time.time() ret, img = cap.read() if not ret: break # 图像预处理 pre_start = time.time() input_tensor = preprocess_image(img) pre_end = time.time() # 推理过程 infer_start = time.time() output_data = do_inference(input_tensor) infer_end = time.time() # 后处理 (NMS等) nms_start = time.time() detections = postprocess(output_data) nms_end = time.time() end_time = time.time() total_latency_ms = (end_time - start_time)*1000 preprocessing_latency_ms = (pre_end-pre_start)*1000 inference_latency_ms = (infer_end-infer_start)*1000 nms_latency_ms = (nms_end-nms_start)*1000 fps = 1 / ((total_latency_ms)/1000) print(f'Total Latency: {total_latency_ms:.2f} ms | Preprocessing Time: {preprocessing_latency_ms:.2f} ms | Inference Time: {inference_latency_ms:.2f} ms | NMS Time: {nms_latency_ms:.2f} ms | FPS: {fps:.2f}') frame_times.append(total_latency_ms) visualize_detections(detections, img) avg_fps = len(frame_times)/(sum(frame_times)/1000) print(f'\nAverage FPS over all frames: {avg_fps:.2f}') if __name__ == '__main__': main() ``` 上述代码片段展示了如何通过`time.time()`函数获取当前时间戳，在不同阶段前后调用此函数即可获得相应耗时时长，并据此计算出平均帧速率(FPS)。注意这里假设已经实现了`preprocess_image`, `do_inference`, 和 `postprocess` 函数用于具体的前处理、推理及后处理工作。