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)

  • 车船税计入管理费用什么明细
  • 免抵退税退的是什么税
  • 长期应收款的计税基础 陈版
  • 预收货款开票怎么做账
  • 分公司一定要汇总申报吗
  • 计提社保贷方科目是什么
  • 个人独资企业处罚听证的标准
  • 支票结算业务流程
  • 固定资产折旧法律法规
  • 手工帐怎么登记
  • 房屋租赁发票需要备注吗
  • 个人汽车租赁发票网上怎么开
  • 个税税务稽查
  • 印花税零申报怎么填样本
  • 人力资源外包服务收费标准
  • 审计调整分录如何处理
  • 外购的货物用于集体福利企业所得税
  • 商业折扣销售会计分录
  • 城镇退役士兵安置条例
  • 预提保障金和交税的区别
  • 利润表中的销售收入
  • 城镇土地使用税每年都要交吗
  • 上月暂估入账的原材料的发票已经送到财务部
  • 主板类型大全
  • win10怎么改通知
  • 个税申报晚了会退税费吗
  • 劳务公司开具劳务费发票
  • 建筑企业挂靠账务怎么处理?
  • executor进程
  • 没收逾期未收回的包装物押金
  • 汽车理赔款
  • 购买原材料月末需要结转吗
  • php模糊查询txt文本
  • 第二季度所得税怎么算
  • 专利代理服务费计入什么科目
  • php中的表达式简写是什么
  • 申请个人所得税
  • vue中使用jsx语法
  • 缺陷修饰
  • bash的主要功能
  • phpcms文档
  • 房产中介收取的贷款服务费合不合法
  • 季度所得税申报错误,一定要更改吗
  • 会计科目是怎么来的
  • 购进新车旧车置换流程
  • 外贸出口增值税附表二填哪项
  • 疫情期间减免的养老保险算工龄吗
  • 小微企业季度收入
  • 航天信息的发票以什么形式导入开票信息
  • 未使用固定资产有哪些
  • 加权平均净资产收益率
  • 公司贷款手续如何办理流程
  • 公司的商务卡的作用
  • 考试报名费都去哪了
  • 融资租赁和经营租赁的会计处理
  • 先开票后发货是什么意思
  • centos6.9关闭防火墙命令
  • 一台OpenSuSE系统的服务器的网络配置
  • bios的含义
  • 人脉系统
  • 怎么安装最新显卡驱动
  • mmc.exe是什么
  • kenmail.exe进程有什么用 是什么进程 kenmail进程查询
  • win10如何移动应用程序
  • 详解16型人格
  • 用批处理删除盘符
  • css控制图片置灰
  • easyui选项卡
  • jquery 动态绑定
  • ubuntu创建虚拟网卡
  • shell变量作用范围
  • unity mesh编程
  • jquery中遍历指定的对象和数组是哪个方法
  • 广西地方税务局2018年1号公告
  • 柴油计入什么科目
  • 2024年深圳房价
  • 住房公积金补扣
  • 国家税务总局大连电子税务局
  • 淘宝要补偿怎么回复
  • 达州房管局备案查询系统
  • 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