位置: IT常识 - 正文

2022.07.25 C++下使用opencv部署yolov7模型(五)(c++~怎么用)

编辑:rootadmin
2022.07.25 C++下使用opencv部署yolov7模型(五) 0.写在最前

推荐整理分享2022.07.25 C++下使用opencv部署yolov7模型(五)(c++~怎么用),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:c++ kbhit,c++ ...,c++ ...,c++中使用c,c++%怎么用,c++2019怎么用,c++ ...,c++ ...,内容如对您有帮助,希望把文章链接给更多的朋友!

此篇文字针对yolov7-1.0版本。

最近粗略的看了一遍yolov7的论文,关于yolov7和其他yolo系列的对比,咱就不多说了,大佬们的文章很多很详细。关于opencv部署方面,其实yolov7和yolov5的初期版本(5.0以前的版本)很像,分为三个输出口,yolov5-6.0之后的版本合并了三个输出口变成一个output输出【需要注意的是,虽然yolov可以在export的时候加上--grid参数将detect层加入之后变成和yolov5最新版本的输出一致(可以不用改yolov5代码直接跑yolov7的那种一致,当然,anchors数据还是得改的),但是我试过了,opencv包括onnxruntime推理加grid参数的onnx模型都有问题,暂时我也在探索一种适用于所有yolov7版本的修改方案,但是改了几种都是适用某几个模型,其他模型挂掉的情况】。使用Netron打开两个模型对比下很明显,数据格式也和yolo的一致。所以基本上可以和yolov5的代码通用。只不过具体使用的时候还是有一点区别的。另外,yolov7目前可以直接通过其自身带的export.py导出onnx模型,并不需要像yolov5早期的代码修改。

一.yolov5代码修改适用yolov7

1.归一化框的读取类似yolov5的早期版本

上面说过,yolov7和yolov5的不同,实际上应该是一致的才对(实际上,如果yolov7导出的时候加上--grid参数,结果就和yolov5目前的版本一毛一样,但是加上之后opencv推理onnx的时候会报错,目前yolov7暂时未修复该bug,所以下面的yolov7代码导出的时候不要加--grid参数)。我没仔细debug,所以我们需要根据下面的红色框中的内容对网络的归一化anchors框进行变换变成正常的像素位置。也就是像yolov5之前古老的版本没优化之前一样(这就是我上面说的和yolov5-5.0以前的版本类似的原因)。可以看第三篇的代码中的读取归一化框的方式获取原始图像位置。2021.09.02更新说明 c++下使用opencv部署yolov5模型 (三)_爱晚乏客游的博客-CSDN博客_c++ yolov5

2.anchors数据不同2022.07.25 C++下使用opencv部署yolov7模型(五)(c++~怎么用)

 对比下两者的anchors数据,可以看到两个的anchors不一致了,修改这部分内容即可。

所以综上所诉,对于yolov5-6.0的代码,修改一些地方即可马上应用到yolov7上面,可以说很方便了。

具体修改有两处,一处是anchors,另外一处是推理程序,修改之后的链接我放最下面了,其实就是在第四篇的基础上面修改下:GitHub - UNeedCryDear/yolov5-opencv-dnn-cpp: 使用opencv模块部署yolov5-6.0版本 

//yolo.h中改下anchorsconst float netAnchors[3][6] = { {12, 16, 19, 36, 40, 28},{36, 75, 76, 55, 72, 146},{142, 110, 192, 243, 459, 401} }; //yolov7-P5 anchors//yolo.cpp中推理代码修改bool Yolo::Detect(Mat& SrcImg, Net& net, vector<Output>& output) {Mat blob;int col = SrcImg.cols;int row = SrcImg.rows;int maxLen = MAX(col, row);Mat netInputImg = SrcImg.clone();if (maxLen > 1.2 * col || maxLen > 1.2 * row) {Mat resizeImg = Mat::zeros(maxLen, maxLen, CV_8UC3);SrcImg.copyTo(resizeImg(Rect(0, 0, col, row)));netInputImg = resizeImg;}vector<Ptr<Layer> > layer;vector<string> layer_names;layer_names= net.getLayerNames();blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(0, 0, 0), true, false);//如果在其他设置没有问题的情况下但是结果偏差很大,可以尝试下用下面两句语句//blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(104, 117, 123), true, false);//blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(114, 114,114), true, false);net.setInput(blob);std::vector<cv::Mat> netOutputImg;net.forward(netOutputImg, net.getUnconnectedOutLayersNames());std::vector<int> classIds;//结果id数组std::vector<float> confidences;//结果每个id对应置信度数组std::vector<cv::Rect> boxes;//每个id矩形框float ratio_h = (float)netInputImg.rows / netHeight;float ratio_w = (float)netInputImg.cols / netWidth;int net_width = className.size() + 5; //输出的网络宽度是类别数+5for (int stride = 0; stride < strideSize; stride++) { //stridefloat* pdata = (float*)netOutputImg[stride].data;int grid_x = (int)(netWidth / netStride[stride]);int grid_y = (int)(netHeight / netStride[stride]);for (int anchor = 0; anchor < 3; anchor++) {//anchorsconst float anchor_w = netAnchors[stride][anchor * 2];const float anchor_h = netAnchors[stride][anchor * 2 + 1];for (int i = 0; i < grid_y; i++) {for (int j = 0; j < grid_x; j++) {float box_score = sigmoid_x(pdata[4]); ;//获取每一行的box框中含有某个物体的概率if (box_score >= boxThreshold) {cv::Mat scores(1, className.size(), CV_32FC1, pdata + 5);Point classIdPoint;double max_class_socre;minMaxLoc(scores, 0, &max_class_socre, 0, &classIdPoint);max_class_socre = sigmoid_x(max_class_socre);if (max_class_socre >= classThreshold) {float x = (sigmoid_x(pdata[0]) * 2.f - 0.5f + j) * netStride[stride]; //xfloat y = (sigmoid_x(pdata[1]) * 2.f - 0.5f + i) * netStride[stride]; //yfloat w = powf(sigmoid_x(pdata[2]) * 2.f, 2.f) * anchor_w; //wfloat h = powf(sigmoid_x(pdata[3]) * 2.f, 2.f) * anchor_h; //hint left = (int)(x - 0.5 * w) * ratio_w + 0.5;int top = (int)(y - 0.5 * h) * ratio_h + 0.5;classIds.push_back(classIdPoint.x);confidences.push_back(max_class_socre * box_score);boxes.push_back(Rect(left, top, int(w * ratio_w), int(h * ratio_h)));}}pdata += net_width;//下一行}}}}//执行非最大抑制以消除具有较低置信度的冗余重叠框(NMS)vector<int> nms_result;NMSBoxes(boxes, confidences, nmsScoreThreshold, nmsThreshold, nms_result);for (int i = 0; i < nms_result.size(); i++) {int idx = nms_result[i];Output result;result.id = classIds[idx];result.confidence = confidences[idx];result.box = boxes[idx];output.push_back(result);}if (output.size())return true;elsereturn false;}二、yolov7一些模型转换的问题

评论区有些小伙伴反馈yolov7-d6模型在opencv4.5.1下面会报错,报错信息类似之前读取早期的yolov5的报错一致。

OpenCV(4.5.0) Error: Unspecified error (> Node [Slice]:(341) parse error: OpenCV(4.5.0) D:\opencv\ocv4.5.0\sources\modules\dnn\src\onnx\onnx_importer.cpp:697: error: (-2:Unspecified error) in function 'void __cdecl cv::dnn::dnn4_v20200908::ONNXImporter::handleNode(const class opencv_onnx::NodeProto &)' Slice layer only supports steps = 1 (expected: 'countNonZero(step_blob != 1) == 0'), where 'countNonZero(step_blob != 1)' is 1 must be equal to '0' is 0 in cv::dnn::dnn4_v20200908::ONNXImporter::handleNode, file D:\opencv\ocv4.5.0\sources\modules\dnn\src\onnx\onnx_importer.cpp, line 1797

经过对比yolov7和yolov7-d6的yaml文件,发现是由于yolov7-d6中使用了ReOrg模块引起的报错,也就是步长为2的切片,像我这个系列中第一篇的问题一样。

这个模块有点类似早期的yolov5的Facos模块,需要将ReOrg模块修改成下面的代码。 在models/common.py里面搜索下ReOrg,改成一下代码之后重新导出onnx模型即可正确读取。

class ReOrg(nn.Module): def __init__(self): super(ReOrg, self).__init__() def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2) #origin code # return torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1) self.concat=Contract(gain=2) return self.concat(x)

最后贴个yolov7和yolov5的对比图,可以看到yolov7提升还是蛮明显的,结果的置信度高了一些,后面的自行车也检测出来了,就是领带这里误检了。 

 

贴合github链接,里面包括了yolov7和yolov5,通过宏定义来控制:

GitHub - UNeedCryDear/yolov7-opencv-dnn-cpp

本文链接地址:https://www.jiuchutong.com/zhishi/293118.html 转载请保留说明!

上一篇:一文详解Yolov5——基于Yolov5的火灾检测系统(yolov5 入门)

下一篇:Web 攻防之业务安全:接口未授权访问/调用测试(敏感信息泄露)(web攻防之业务安全实战指南)

  • 网店推广怎么节省成本?(网店推广的方法技巧及注意事项)

    网店推广怎么节省成本?(网店推广的方法技巧及注意事项)

  • 和你执手相拥碎步流年(执手相拥是什么意思)

    和你执手相拥碎步流年(执手相拥是什么意思)

  • vivo x27深色模式怎么设置(vivox27深色模式怎么取消)

    vivo x27深色模式怎么设置(vivox27深色模式怎么取消)

  • 华为p40的内存是多少(华为p40内存是8g吗)

    华为p40的内存是多少(华为p40内存是8g吗)

  • 三年前微信好友恢复(微信几年前的好友还能找到吗?)

    三年前微信好友恢复(微信几年前的好友还能找到吗?)

  • usp插口是什么意思(usp接口失灵怎么办)

    usp插口是什么意思(usp接口失灵怎么办)

  • 华为mate30视频美颜在哪里设置

    华为mate30视频美颜在哪里设置

  • 充电头滋滋响解决办法(充电头 滋滋响)

    充电头滋滋响解决办法(充电头 滋滋响)

  • 拼多多助力同一个用户可以几次(拼多多助力同一设备多次)

    拼多多助力同一个用户可以几次(拼多多助力同一设备多次)

  • 云课堂智慧职教怎么注销账号(云课堂智慧职教mooc课程官网入口)

    云课堂智慧职教怎么注销账号(云课堂智慧职教mooc课程官网入口)

  • 换主板后开机蓝屏0x0000007b(换主板后开机蓝屏0x0000007b怎么办)

    换主板后开机蓝屏0x0000007b(换主板后开机蓝屏0x0000007b怎么办)

  • 电信已关闭4g通话是什么意思(电信取消4g+)

    电信已关闭4g通话是什么意思(电信取消4g+)

  • qq运动红包是真的吗(qq运动红包真的可以提现吗)

    qq运动红包是真的吗(qq运动红包真的可以提现吗)

  • 苹果手机摔出绿色条纹(苹果手机摔出绿线还能用多久)

    苹果手机摔出绿色条纹(苹果手机摔出绿线还能用多久)

  • 怎么选笔记本电脑(怎么选笔记本电脑知乎)

    怎么选笔记本电脑(怎么选笔记本电脑知乎)

  • 表格的作用(说明文中表格的作用)

    表格的作用(说明文中表格的作用)

  • hi3798mv100是什么(hi3798mv300是什么)

    hi3798mv100是什么(hi3798mv300是什么)

  • 怎么看自己微信打标没有(怎么看自己微信账号是否异常)

    怎么看自己微信打标没有(怎么看自己微信账号是否异常)

  • ios12memoji在哪(iphone12模拟按键怎么调)

    ios12memoji在哪(iphone12模拟按键怎么调)

  • 苹果x和苹果11pro尺寸(苹果x和苹果11pro电池一样吗)

    苹果x和苹果11pro尺寸(苹果x和苹果11pro电池一样吗)

  • 拼多多省钱月卡是不是什么单都能免(拼多多省钱月卡没有5元无门槛券)

    拼多多省钱月卡是不是什么单都能免(拼多多省钱月卡没有5元无门槛券)

  • 苹果蓝牙耳机有线和无线的区别(苹果蓝牙耳机有一个不响了怎么办)

    苹果蓝牙耳机有线和无线的区别(苹果蓝牙耳机有一个不响了怎么办)

  • 荣耀v20和荣耀20的区别(荣耀V20和荣耀20对比)

    荣耀v20和荣耀20的区别(荣耀V20和荣耀20对比)

  • WPS文字如何自定义项目符号(wps文字怎么自动编顺序)

    WPS文字如何自定义项目符号(wps文字怎么自动编顺序)

  • 手机号怎么报停(手机号怎么报停机)

    手机号怎么报停(手机号怎么报停机)

  • Linux服务器上的网站关闭的方法(linux服务器常用命令)

    Linux服务器上的网站关闭的方法(linux服务器常用命令)

  • 什么是自定义函数?(自定义函数是啥)

    什么是自定义函数?(自定义函数是啥)

  • 企业所得税不得扣除的税金
  • 个人所得税申报退税多久到账
  • 以前年度应收账款无法收回的账务处理
  • 企业所得税季度申报
  • 资产证券化会计准则
  • 资产负债表的编制方法和步骤
  • 隔月发票红冲,交税怎么交
  • 印鉴变更手续费50元
  • 开发间接费用是指
  • 怎么在网上申请变更姓名
  • 实收资本印花税税率多少
  • 所得税不能税前扣除项目
  • 集团统借统还利息
  • 快速查看财务费用借贷有误的方法
  • 代扣代缴增值税计算公式
  • 固定资产清理出售合同
  • 债务重组收益会计处理
  • 关联企业借款利息税前扣除
  • 工程前期咨询收费标准
  • 华为鸿蒙系统怎么看安卓版本
  • w7com端口设置
  • 华为鸿蒙harmonyos刷机
  • mac环境搭建
  • 下载的压缩文件打不开
  • php单例模式demo
  • 为什么增值税最后有余额附加税没有
  • 工业总产值 工业销售产值
  • 睡莲怎样养
  • 受赠与获赠的区别
  • 工会经费和残保金的缴纳比例
  • vue加载速度慢
  • input输入框限制最大字数
  • 汽车租赁业务是否属于租赁服务
  • 个体工商户注册需要什么材料
  • 购置固定资产进项税率
  • wordpress换域名后主题乱了
  • SQL Server解析XML数据的方法详解
  • PostgreSQL 角色与用户管理介绍
  • mysql基础操作命令
  • 固定资产累计折旧计算公式
  • 纳税人可以享受六项专项附加扣除
  • 专用发票和普通发票 报销
  • 公司收到服务费要交哪些税
  • 销售收入打折后怎么做账
  • 开发票的销售收入正规的做账如何做?
  • 认缴的注册资金怎么做账
  • 企业实缴各类税金的总额
  • 本年利润月末怎么处理
  • 没有发票的费用支出怎么入账
  • 计划成本法和实际成本法的适用范围
  • 工业企业固定资产投资
  • sqlserver中with(nolock)深入分析
  • ubuntu docker教程
  • winxp开机提示explorer.exe
  • linux的进程管理命令
  • gitlab linux
  • centos启动不了图形界面
  • 联想yogas
  • linux缓存过大会宕机吗
  • linux系统中怎么创建目录
  • centos为什么没有桌面
  • linux中chage命令
  • win7更新8007000e
  • grep命令用法
  • win10开始菜单怎么打开
  • centos打包文件
  • android滑动选择
  • Immutable 在 JavaScript 中的应用
  • Linux动态链接库编译
  • unity开发用macbook怎么样
  • angularjs简介
  • jquery one()
  • jquery动画效果代码
  • Button.setOnClickListener(OnClickListener l) 原理
  • Vuforia How To Use Android Plugins in Unity Apps
  • python定义全局
  • weverse登录不了
  • 国家税务总局网址
  • 车辆登记指的是什么
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设