• yolov4模型部署流程

    环境配置

    以 yolov4 为例，打开 https://github.com/AlexeyAB/darknet 这个教程，将这个项目下载到本地文件。接下来需要下载一下：

    • Opencv: OpenCV >= 2.4: https://opencv.org/releases.html
    • 安装完成后，添加环境变量：右击此电脑-属性-高级系统设置-环境变
    量，找到系统变量中的 path（找到自己的安装目录相对应的文件位置）：

    C:\Program Files\opencv\build\x64\vc15\bin
C :\Program Files\opencv\build\x64\vc14\bin

    • 1
    • 2

    添加完成后，建议重启下，保证环境变量生效。

    • CMake >= 3.12: https://cmake.org/download/
    • Visual Studio 2019 https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=Community

    在这里插入图片描述
    一直下一步，选择如上图，同时选择自己要安装的位置并安装。

    安装配置完成后，打开 cmake:
    1：导入之前下载好的 github 项目
    2，3：configure 选择 vs2019，x64
    4: 完成后开始编译

    采用 cpu 运行，configure 报错后，选择将 ENABLE_CUDA 取消（后面的方框取消√）。

    如果报错找不到对应的 opencv 文件，可以手动指定路径。

    在这里插入图片描述
    在这里插入图片描述
    2.显示 congifure done 后，点击 generate
    3. generate done 后，点击 open project 就会自动打开 vs2019
    4.选择 release,x64,点击生成解决方案。

    在这里插入图片描述

    在这里插入图片描述
    5.生成完成后，在原项目文件中就会出现一个 release 文件夹，里面有 darknet.exe 文件，此时直接运行时失败的

    下载 YOLOV4 权重文件

    链接：https://pan.baidu.com/s/1ZNK7FbqC2TlVKukQFqGYSw
    提取码：g0ju

    链接失效 ，自己下载 yolov4.weights

    将权重文件中的 exe 文件复制到 D:\download\darknet-master\build\darknet\x64 目录中。

    在命令提示窗口输入

    cd /d D:\download\darknet-master\build\darknet\x6

    • 1

    接下来输入

    darknet.exe detect cfg\yolov4.cfg yolov4.weights data\dog.jpg

    • 1

    在这里插入图片描述
    输入完成后进行作者项目中的 dog.jpg 的目标检测。
    在这里插入图片描述

    利用 yolov4 训练新的数据集

    1、Yolov4 预训练模型 yolov4.conv.137 下载地址：https://pan.baidu.com/s/1kwAwefd3absOrZSTAGnbhQ，提取码：x3gz，放在在 build/darknet/x64/下目录下。

    2、创建配置文件：放在 darknet-master/cfg/下，创建 yolo-obj_fre.cfg（复制cfg/yolov4-custom.cfg 文件并重命名即可），但需要在几个地方修改，如下所示：

    • batch=8 #依据你电脑的显存大小而定，尽量设大
      一点
    • subdivisions=64 # 看情况而定
    • max_batches=2000 #classes*2000
    • steps=1600，1800 #max_batches0.8,max_batches0.9
    • 修改 3 个[yolo]下 classes=1 #你要训练的类别数
    • 修改 2 个[yolo]上面 filters=18 #filters=(classes + 5)x3，注意只修改每个[yolo]上面最后一个 conv 的 filters

    在这里插入图片描述

    在这里插入图片描述
    创建 fre.names 文件，其中每一行写上一个你要训练的一个类别，如下：

    在这里插入图片描述
    3、在 build\darknet\x64\data\下，创建 fre.data 文件，文件格式为：

    • classes= 1
    • train = build/darknet/x64/data/train.txt # 这个下面说，train.txt
      里面存放着训练图片的存放路径
    • valid = build/darknet/x64/data/test.txt #
    • names = build/darknet/x64/data/fre.names # 创建的 fre.names
    • backup = backup/ #权重存在在 backup 文件中

    4、再处理自己的数据集（jpg 文件+xml 文件），将 jpg 文件放在./build/darknet/x64/data/obj 中，将 xml 文件放在./build/darknet/x64/data/train_label，接下来需要将 xml 文件转化为 yolov4 需要的 txt 文件，代码如下

    import os
import xml.etree.ElementTree as ET
def xml_to_txt(data_path, anno_path, path, use_difficult_bbox=False):
    classes = ['am', 'fm', 'gsm', 'qpsk']
    image_inds = file_name(data_path + "train_label/")  # 遍历 xml 文件
    with open(anno_path, 'a') as f:
        for image_ind in image_inds:
            img_txt = data_path + 'obj/' + image_ind + '.txt'
            img_txt_file = open(img_txt, 'w')
            image_path = os.path.join(data_path, 'obj/', image_ind + '.jpg')
            label_path = os.path.join(data_path, 'train_label', image_ind + '.xml')
            root = ET.parse(label_path).getroot()
            objects_size = root.findall('size')
            image_width = int(objects_size[0].find('width').text)
            image_height = int(objects_size[0].find('height').text)
            objects = root.findall('object')
            for obj in objects:
                difficult = obj.find('difficult').text.strip()
                if (not use_difficult_bbox) and (int(difficult) == 1):
                    continue
                bbox = obj.find('bndbox')
                class_ind = str(classes.index(obj.find('name').text.lower().strip()))
                xmin = int(bbox.find('xmin').text.strip())
                xmax = int(bbox.find('xmax').text.strip())
                ymin = int(bbox.find('ymin').text.strip())
                ymax = int(bbox.find('ymax').text.strip())
                x_center = str((xmin + xmax) / (2 * image_width))
                y_center = str((ymin + ymax) / (2 * image_height))
                width_ = str((xmax - xmin) / (image_width))
                height_ = str((ymax - ymin) / (image_height))

                class_ind += ' ' + ','.join([x_center + ' ' + y_center + ' ' + width_ + ' ' + height_])
                img_txt_file.write(class_ind + "\n")
                f.write(image_path + "\n")


def file_name(file_dir):
    L = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == '.xml':
                L.append(file.split(".")[0])
    return L


if __name__ == '__main__':
    num1 = xml_to_txt('./build/darknet/x64/data/', './build/darknet/x64/data/train.txt', 'train')
    print('done')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48

    5、运行完上述代码，可以在./build/darknet/x64/data/下生成 train.txt 文件（里面保存训练图片文件的路径）在./build/darknet/x64/data/obj/ 下生成 img.txt（每一张图片对应的 txt 文件，与 jpg 文件放在一起），同时 test.txt 可以直接复制 train.txt，两者可相同。

    6、接着训练模型，本例子中将上述的文件以及 darknet.exe 全部复制到了根目录 darknet-master 中，进入该目录下，输入 darknet.exe detector train fre.data cfg/yolo-obj_fre.cfg yolov4.conv.137 即可训练模型，最终的权重均保存在 darknet-master/backup 中

    在这里插入图片描述

    模型部署

    darknet 模型需要 转为 ONNX

    安装onnx
    在这里插入图片描述

    利用 darknet2onnx.py 文件将 darknet 模型转化为 onnx 模型，下载地址为：https://hub.fastgit.org/Tianxiaomo/pytorch-YOLOv4，运行 tool/darknet2onnx.py 文件，注意：cfgfile（darknet 的 cfg 文件路径）、weightfile（darknet 的 weight 文件路径）需要补充，修改如下

    在这里插入图片描述

    运行该文件以后，可以将 darknet 模型转为 ONNX 模型（本例子是在 jupyter notebook 中运行的），结果如下，转化成功：
    在这里插入图片描述

    flask API

    Flask 是一个基于 Python 开发的微型 web 框架，使用 Flask 实现简单的 api，形成特定网页，

    这部分主要针对 onnx 模型在 flask 上的部署，即实现在网页上上传图片，然后网页上显示目标识别后的结果。（利用 pycharm）

    首先在 pycharm 中创建一个新的 flask project，如下：

    在这里插入图片描述
    而后将 https://hub.fastgit.org/Tianxiaomo/pytorch-YOLOv4 中的文件 tool 和data导入，将上述步骤中生成的onnx模型导入，再在static下新建一个目录images用来存放待检测的图片 test.jpg。在 templates 下新建了一个 upload.html 文件，用来定义网页的页面。该 project 的文件总目录如下：

    在这里插入图片描述
    upload.html 代码如下：

    <!DOCTYPE html>
<html lang="en">
<head>
 <meta charset="UTF-8">
 <title>Flask 上传图片</title>
</head>
<body>
 <h1>使用 Flask 上传本地图片并显示</h1>
 <form action="" enctype='multipart/form-data' method='POST'>
 <input type="file" name="file" style="margin-top:20px;"/>
 <br>
 <input type="submit" value=" 上 传 " class="button-new" 
style="margin-top:15px;"/>
 </form>
</body>
</html>

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    app.py 文件代码如下：

    import numpy as np
from flask import Flask, render_template, request, redirect, url_for, make_response, jsonify
from datetime import timedelta
import os
import time

# 设置允许的文件格式
ALLOWED_EXTENSIONS = set(['png', 'jpg', 'JPG', 'PNG', 'bmp'])
import cv2
import onnxruntime
from tool.utils import *


def allowed_file(filename):
    return '.' in filename and filename.rsplit('.', 1)[1] in ALLOWED_EXTENSIONS


# 改写，只有检测部分
def test(onnx, image_path):
    # onnx 模型的推理
    session = onnxruntime.InferenceSession(onnx)
    # session = onnx.load(onnx_path)
    print("The model expects input shape: ", session.get_inputs()[0].shape)
    image_src = cv2.imread(image_path)
    # 检测
    detect(session, image_src)


def detect(session, image_src):
    # 1*3*高*宽
    IN_IMAGE_H = session.get_inputs()[0].shape[2]
    IN_IMAGE_W = session.get_inputs()[0].shape[3]
    # Input,数据预处理
    resized = cv2.resize(image_src, (IN_IMAGE_W, IN_IMAGE_H),
                         interpolation=cv2.INTER_LINEAR)
    img_in = cv2.cvtColor(resized, cv2.COLOR_BGR2RGB)
    img_in = np.transpose(img_in, (2, 0, 1)).astype(np.float32)
    img_in = np.expand_dims(img_in, axis=0)
    img_in /= 255.0
    print("Shape of the network input: ", img_in.shape)
    # Compute
    input_name = session.get_inputs()[0].name
    outputs = session.run(None, {input_name: img_in})
    boxes = post_processing(img_in, 0.4, 0.6, outputs)
    num_classes = 80
    if num_classes == 20:
        namesfile = 'data/voc.names'
    elif num_classes == 80:
        namesfile = 'data/coco.names'
    else:
        namesfile = 'data/names'
    class_names = load_class_names(namesfile)
    plot_boxes_cv2(image_src, boxes[0], savename='prediction_onnx.jpg',
                   class_names=class_names)


# 创建实例
app = Flask(__name__)
# 设置静态文件缓存过期时间
app.send_file_max_age_default = timedelta(seconds=1)
onnx = "yolov4_1_3_608_608_static.onnx"


@app.route('/upload', methods=['POST', 'GET'])  # 添加路由,访问的网址
def upload():
    # 方法的使用模式
    if request.method == 'POST':
        # 原先 file 的控件名
        f = request.files['file']
        if not (f and allowed_file(f.filename)):
            return jsonify({"error": 1001, "msg": "only png\PNG\jpg\JPG\Bmp"})
        # 获取表单数据
        user_input = request.form.get("name")
        basepath = os.path.dirname(__file__)  # 当前文件所在路径
        upload_path = os.path.join(basepath, 'static/images', 'test.jpg')  # 以 test 的名称
        f.save(upload_path)
        # 检测
        test(onnx, upload_path)
        image_data = open('prediction_onnx.jpg', "rb").read()
        response = make_response(image_data)
        response.headers['Content-Type'] = 'image/png'
        return response
    return render_template('upload.html')

if __name__ == '__main__':
    # host 表示共享访问
    app.run(host='0.0.0.0', port=8987, debug=True)


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85
    • 86
    • 87
    • 88

    其中，上传的图片我们用 test.jpg 文件名保存，检测后得到的图片结果用prediction_onnx.jpg 来保存，run 该项目，会生成一个网址如下：

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    此时该 project 的总文件目录如下

    在这里插入图片描述

    ncnn 在嵌入式平台使用

    下载并安装 protobuf-3.4.0

    1、下载地址：https://pan.baidu.com/s/1fRV1OpJsUXscUNlC4uvUMA 提取
    码：bt4q

    2、下载后解压

    3、打开 VS2019 的 X64 命令行

    在这里插入图片描述

    在 VS2019 的 X64 命令行下执行以下命令

    cd <protobuf-root-dir>
mkdir build-vs2019 
cd build-vs2019
cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release 
-DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF 
-Dprotobuf_MSVC_STATIC_RUNTIME=OFF ../cmake
nmake
nmake install

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    注： 为你刚刚解压的 protobuf-3.4.0 文件夹的根目录。

    在这里插入图片描述
    输入 nmake 后，继续输入 nmake install 就完成了

    在这里插入图片描述
    、成功后会产生 build-vs2019 文件夹以及该文件夹下的若干文件夹及文件

    在这里插入图片描述

  • 相关阅读:
    Linux C 应用搜索动态库
    柱状图中最大的矩形
    Vue框架学习笔记——创建Vue实例、实例与容器对应关系
    vue手搓悬浮在线客服按钮
    【C语言】字符串函数
    Jetson Xavier NX 与笔记本网线连接 ，网络共享，ssh连接到vscode
    linux创建并使用service
    web前端——HTML（一看就会写自己的小网页）
    【数学】分数到小数 巧用MAP获取循环小数
    JVM学习笔记（1）——类加载子系统
  • 原文地址：https://blog.csdn.net/weixin_44510615/article/details/126786592