俄羅斯：將審查iPhone等外國公司設(shè)備 保數(shù)據(jù)安全
iPhone和特斯拉都屬于在各自領(lǐng)域領(lǐng)頭羊的品牌，推出的產(chǎn)品也也都是數(shù)一數(shù)二的，但對于一些國家而言，它們的產(chǎn)品可靠性和安全性還是在限制范圍內(nèi)。近日，俄羅斯聯(lián)邦通信、信息技術(shù)
最近，出現(xiàn)了更新的YOLO模型，還有RT-DETR模型，這是一個聲稱能擊敗YOLO模型的變換器模型，我想將這些模型導(dǎo)出并進(jìn)行比較，并將它們添加到我的庫中。在這篇文章中，我將帶你了解如何將這些模型導(dǎo)出到ONNX并運(yùn)行它們，然后最終比較這些模型的速度。
這是從模型的GitHub頁面獲取的模型示例輸出
為了導(dǎo)出模型，我們需要從模型的GitHub倉庫克隆代碼（https://github.com/lyuwenyu/RT-DETR）。我將向你展示如何導(dǎo)出模型的第二個版本。如果你想使用第一個版本，導(dǎo)出步驟應(yīng)該是類似的。
git clone https://github.com/lyuwenyu/RT-DETR.gitcd RT-DETR/rtdetrv2_pytorch然后我們需要創(chuàng)建一個Python虛擬環(huán)境來運(yùn)行代碼。如果你已經(jīng)有一個工作的環(huán)境，那么你可以跳過這一步。
python -m venv rtdetrv2-envsource rtdetrv2-env/bin/activatepip install -r requirements.txtpip install scipy代碼需要scipy庫，但它不在需求文件中，你需要手動安裝。然后我們需要下載coco數(shù)據(jù)集的YAML配置文件和模型。我們將在這里下載的模型是中等大小的模型。你可以在這里找到其他模型的鏈接。
mkdir modelscd modelswget -c https://github.com/lyuwenyu/storage/releases/download/v0.1/rtdetrv2_r34vd_120e_coco_ema.pthwget -O dataset/coco_detection.yml https://raw.githubusercontent.com/ultralytics/ultralytics/main/ultralytics/cfg/datasets/coco.yaml現(xiàn)在我們可以導(dǎo)出模型了。請注意，如果你改變了模型大小，那么你需要更改下面的配置文件路徑以匹配模型。
python tools/export_onnx.py -c configs/rtdetrv2/rtdetrv2_r34vd_120e_coco.yml -r models/rtdetrv2_r34vd_120e_coco_ema.pth --check現(xiàn)在你有了你的模型（在rtdetrv2_pytorch目錄中的model.onnx文件）。你可以進(jìn)入運(yùn)行模型部分。
與模型的GitHub頁面上的其他模型相比，YOLO-NAS模型
為了導(dǎo)出YOLO-NAS模型，你需要安裝super_gradients庫，然后運(yùn)行以下Python代碼。模型變體是YOLO_NAS_S、YOLO_NAS_M、YOLO_NAS_L。
from super_gradients.training import modelsfrom super_gradients.common.object_names import Modelsmodel = models.get(Models.YOLO_NAS_S, pretrained_weights="coco")model.eval()model.prep_model_for_conversion(input_size=[1, 3, 640, 640])model.export("yolo_nas_s.onnx", postprocessing=None, preprocessing=None)現(xiàn)在你有了你的模型（yolo_nas_s.onnx文件）。你可以進(jìn)入運(yùn)行模型部分。
與模型的GitHub頁面上的其他模型相比，YOLOv10模型的延遲
我們需要克隆GitHub倉庫（https://github.com/THU-MIG/yolov10）并創(chuàng)建一個Conda環(huán)境來運(yùn)行導(dǎo)出代碼。
git clone https://github.com/THU-MIG/yolov10.gitcd yolov10conda create -n yolov10-env python=3.9conda activate yolov10-envpip install -r requirements.txtpip install -e .現(xiàn)在我們需要導(dǎo)出模型。模型的前綴是jameslahm/，支持的模型有yolov10n、yolov10s、yolov10m、yolov10b、yolov10l、yolov10x。
yolo export model=jameslahm/yolov10m format=onnx opset=13 simplify現(xiàn)在你有了你的模型（yolov10目錄中的yolov10m.onnx文件）。你可以進(jìn)入運(yùn)行模型部分。
與模型的GitHub頁面上的其他模型相比，YOLOv9模型的參數(shù)數(shù)量
為了導(dǎo)出YOLOv9，你需要有一個工作的正常安裝的docker。你可以啟動一個容器并導(dǎo)出模型。你可以在這里找到模型文件。
# Create an empty directory and cd into itgit clone https://github.com/WongKinYiu/yolov9.git# Now we have yolov9 folder in out current directory. Then we run the following line:docker run --name yolov9 -it -v `pwd`:`pwd` -w `pwd` --shm-size=64g nvcr.io/nvidia/pytorch:21.11-py3# Install dependenciesapt updateapt install -y zip htop screen libgl1-mesa-glxpip install seaborn thopcd yolov9# Download the modelwget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-s.pt# Export the modelpython export.py --weights yolov9-s.pt --include onnx現(xiàn)在你有了你的模型（yolov9目錄中的yolov9-s.onnx文件）。你可以進(jìn)入運(yùn)行模型部分。
與模型的GitHub頁面上的其他模型相比，YOLOv8模型
將YOLOv8導(dǎo)出比其他模型更容易。你只需要安裝ultralytics并導(dǎo)出模型。支持的模型有yolov8n、yolov8s、yolov8m、yolov8l和yolov8x。如果你想的話，你可以創(chuàng)建一個虛擬環(huán)境來隔離安裝。
pip install ultralyticswget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.ptyolo export model=yolov8n.pt format=onnx現(xiàn)在你有了模型（yolov8n.onnx文件），可以進(jìn)入運(yùn)行模型部分。
現(xiàn)在你有了你想要導(dǎo)出的ONNX模型，你可以使用我編寫的庫來運(yùn)行這些模型。你可以在這里找到這個庫。庫的README文件解釋了如何鏈接到庫。以下是如何使用庫中的RT-DETR模型的示例。
#include <objdetex/objdetex.h>int main(){ using namespace ObjDetEx; Detector detector(Detector::RT_DETR, "<path/to/onnx/model>"); Size batchSize = 1; double detectionThreshold = .6; // Fill this with batchSizex3x640x640 image data float *imagePtr = nullptr; // Fill this with batchSizex2 dimension data, not needed for YOLO models // NOTE: 2 is width and height of the original images before resizing to 640x640 int64_t *dimensionPtr = nullptr; auto detections = detector(Tensor(imagePtr, {batchSize, 3, 640, 640}), // Tensor(dimensionPtr, {batchSize, 2}), detectionThreshold); // Use the detections return 0;}本文鏈接：http://m.www897cc.com/showinfo-26-112709-0.html將目標(biāo)檢測模型導(dǎo)出到C++|RT-DETR、YOLO-NAS、YOLOv10、YOLOv9、YOLOv8
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號