YOLOX目标检测实战：LabVIEW+YOLOX ONNX模型实现推理检测（含源码）

前言
一、什么是YOLOX
二、环境搭建
- 1、部署本项目时所用环境：
- 2、LabVIEW工具包下载及安装：
三、模型的获取与转化【推荐方式一】
四、LabVIEW实现YOLOX ONNX推理检测
- 1、LabVIEW调用yolox onnx模型实现目标检测yolox.vi
- 2、LabVIEW调用yolox onnx模型实现实时目标检测yolovx_camera.vi
  - （1）LabVIEW调用YOLOX实时目标检测源码
  - （2）LabVIEW调用YOLOX实现实时目标检测结果
五、源码及模型下载
总结

前言

好长一段时间没更博了，没更新博客的这段时间博主都有在努力产出，前段时间好多朋友私信问我说自己的yolov5模型是比较老的版本，使用LabVIEW推理的时候会报错。为各位朋友新老版本都能兼容，博主这段时间做了一个LabVIEW YOLOv5的插件，里面包含了大部分的新旧版本，老版本的朋友们也可以愉快的使用LabVIEW来实现推理了。等后面整理好了分享给大家。今天我们先一起来看一下如何使用LabVIEW实现yolox的目标检测。

一、什么是YOLOX

LabVIEW实现YOLOX目标检测

YOLOX官方代码：https://github.com/Megvii-BaseDetection/YOLOX
YOLOX论文：https://arxiv.org/abs/2107.08430

在这里插入图片描述

YOLOX是旷视科技开源的高性能实时目标检测网络，旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合，提出了 YOLOX，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。如下图：

在这里插入图片描述
YOLOX提供了支持 ONNX、TensorRT、NCNN 和 Openvino 的部署版本。今天我们主要针对YOLOX 的ONNX在LabVIEW中实现部署推理。

二、环境搭建

1、部署本项目时所用环境：

操作系统：Windows10
python：3.6及以上
LabVIEW：2018及以上 64位版本
AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.73.vip
onnx工具包：virobotics_lib_onnx_cuda_tensorrt-1.0.0.12.vip【不使用cuda或者tensorrt加速的话也可以使用：virobotics_lib_onnx_cpu-1.0.0.13.vip】

2、LabVIEW工具包下载及安装：

AI视觉工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/123656523
onnx工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/124998746

三、模型的获取与转化【推荐方式一】

下面我们来介绍两种模型获取的方式(以yoloxs为例，想要获取其他模型的方式也一样，只需要修改名字即可)

1、方式一：直接在官网下载yolox的onnx模型

下载具体地址如下：https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntime
在这里插入图片描述
下载对应版本模型的weights，点击github即可下载onnx模型。

2、方式二：将标准模型pth转化为onnx（较为复杂）

1、安装YOLOX
在https://github.com/Megvii-BaseDetection/YOLOX中下载yolox源码并解压，在YOLOX-main文件夹中打开cmd，输入以下指令安装需要的库及yolox：

pip3 install -U pip && pip3 install -r requirements.txt
python3 setup.py develop

2、安装pycocotools

pip install pycocotools

！！！注：若安装pycocotools时遇到ERROR: Could not build wheels for pycocotools ……，则使用以下指令来安装：

pip install pycocotools-windows

3、从基准表下载标准预训练模型：https://github.com/Megvii-BaseDetection/YOLOX
在这里插入图片描述
将yolox_s.pth模型放置到如下路径:

4、将标准模型pth转化为onnx

运行以下指令实现模型的转换

python3 tools/export_onnx.py --output-name yolox_s.onnx -n yolox-s -c yolox_s.pth

也可使用如下指令转化自己的模型：

#通过 -f 转换标准 YOLOX 模型。使用 -f 时，上述命令等价于：
python3 tools/export_onnx.py --output-name yolox_s.onnx -f exps/default/yolox_s.py -c yolox_s.pth
# 要转换您的自定义模型，请使用 -f：
python3 tools/export_onnx.py --output-name your_yolox.onnx -f exps/your_dir/your_yolox.py -c your_yolox.pth

输出如下，得到yolox_s.onnx
在这里插入图片描述

3、获取onnx模型总结

通过对比我们会发现，先下载标准模型，再转换为onnx模型比较麻烦，需要配置很多环境，如果只是想要实现YOLOX的推理，则可以使用方式一，直接在官网下载对应的模型即可。但是如果想要转换自己训练好的onnx模型，则可采用第二种方式，将训练好的pth转化为onnx。

四、LabVIEW实现YOLOX ONNX推理检测

将我们的onnx模型放置到model文件夹中，修改程序中加载的模型，本项目中已经下载好了yolox_s.onnx和yolox_m.onnx两种模型，如需其他模型，读者也可自行放置到model文件夹下，实现模型的加载。
在这里插入图片描述

1、LabVIEW调用yolox onnx模型实现目标检测yolox.vi

本例中使用LabvVIEW ONNX工具包中的Create_Session.vi载入onnx模型，可选择使用cpu,cuda,tensorRT进行推理加速。【若安装的是onnx cpu版，则只可使用cpu推理加速】

（1）查看模型

我们可以使用netron 查看yolov5m.onnx的网络结构，浏览器中输入链接：https://netron.app/，点击Open Model，打开相应的网络模型文件即可。
在这里插入图片描述
如下图所示是转换之后的yolox_s.onnx的属性：

可以看到图片输入大小为640640
输出为18400*85