百度飞桨PP-YOLOE ONNX 在LabVIEW中的部署推理(含源码)

目录

前言

PP-YOLOE是百度基于其之前的PP-YOLOv2所改进的卓越的单阶段Anchor-free模型，超越了多种流行的YOLO模型。如何使用python进行该模型的部署，官网已经介绍的很清楚了，但是对于如何在LabVIEW中实现该模型的部署，笔者目前还没有看到相关介绍文章，所以笔者在实现PP-YOLOE ONNX 在LabVIEW中的部署推理后，决定和各位读者分享一下如何使用LabVIEW实现PP-YOLOE的目标检测。

一、什么是PP-YOLO

在这里插入图片描述
PP-YOLOE是百度基于其之前的PP-YOLOv2所改进的卓越的单阶段Anchor-free模型，超越了多种流行的YOLO模型。PP-YOLOE，有更高的检测精度且部署友好。
PP-YOLOE基于anchor-free的架构，使用强大的backbone和neck，引入了CSPRepResStage，ET-head 和动态标签分配算法TAL。针对不同应用场景，提供了不同大小的模型。即s/m/l/x，可以通过width multiplier和depth multiplier配置。PP-YOLOE避免了使用诸如Deformable Convolution或者Matrix NMS之类的特殊算子，以使其能轻松地部署在多种多样的硬件上。
在这里插入图片描述
PP-YOLOE-l在COCO test-dev2017达到了51.6的mAP, 同时其速度在Tesla V100上达到了78.1 FPS。
PP-YOLOE提供了一键转出 ONNX 格式，可顺畅对接 ONNX 生态。本文主要实现百度PP-YOLOE ONNX 在LabVIEW上的部署推理。

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-1.0.0.16.vip【1.0.0.16及以上版本】

2、LabVIEW工具包下载及安装

三、模型的获取与转化

注意：本教程已经为大家提供了PP-YOLOE的模型，可跳过本步骤，直接进行步骤四-推理。若是想要了解PP-YOLO的onnx模型如何获取，则可继续阅读本部分内容。

PP-YOLOE并没有直接提供onnx模型，但是我们可以通过paddle2onnx实现onnx模型的导出。

1、安装paddle

  • PPYOLO需要使用百度paddle框架，我们打开百度飞桨官网：https://www.paddlepaddle.org.cn/，在下方的快速安装选择适合自己版本的paddlepaddle

在这里插入图片描述

  • cmd中执行以下命令安装：
python -m pip install paddlepaddle-gpu==2.3.1.post112 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html

2、安装依赖的库

  • 从github上下载PaddleDetection并解压到目录，下载地址：https://github.com/PaddlePaddle/PaddleDetection ，将paddledetection根目录添加到环境变量。
  • 在PaddleDetection-release-2.4文件夹中打开cmd，输入以下指令安装需要的库
pip3 install -U pip && pip3 install -r requirements.txt

3、安装pycocotools

pip install pycocotools

若安装pycocotools时遇到ERROR: Could not build wheels for pycocotools ……，则可以使用以下指令来安装：

pip install pycocotools-windows

4、导出onnx模型

（1）导出推理模型

python tools/export_model.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --output_dir=output_inference -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams

（2） 安装paddle2onnx

pip install paddle2onnx

（3） 转换成onnx格式

paddle2onnx --model_dir output_inference/ppyoloe_crn_l_300e_coco --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 11 --save_file ppyoloe_crn_l_300e_coco.onnx

至此已成功导出PP-YOLOE ONNX模型

注意： ONNX模型目前只支持batch_size=1

四、在LabVIEW实现PP-YOLOE的部署推理

本项目整体的文件结构如下图所示，各位读者可在文章末尾链接处下载整个项目源码。
在这里插入图片描述

1、LabVIEW调用PP-YOLOE实现目标检测pp-yolox_main.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进行推理加速。

（1）查看模型

我们可以使用netron 查看ppyoloe_crn_s_300e_coco.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
查看模型属性，可看到模型的输入输出如下图所示:
在这里插入图片描述
我们发现，该模型有两个输入和两个输出，所以推理时候需要有两个输入，需要用到我们的多输入处理vi，run.vi

  • 可以看到图片输入大小为640x640
  • 第一个输出为8400x6[6分别为classese_id,cofidence,框]

（2）实现过程

  • 读取图片并进行图像预处理(-1到1的归一化)
    在这里插入图片描述

  • 初始化一个Vector_Value，新增两个输入tensor(图片及scal_factor)
    在这里插入图片描述

  • 加载模型并选择加速类型（cpu、CUDA、tensorRt）
    在这里插入图片描述

  • 实现多输入推理
    在这里插入图片描述

  • 获取第一层的输出
    在这里插入图片描述

  • 进行后处理
    在这里插入图片描述

  • 绘制检测出的目标及及置信度
    在这里插入图片描述

（3）项目运行

配置本项目所需环境。在文章末尾链接处下载整个项目源码，将我们已经转化好的onnx模型放置到model文件夹中，打开pp_yolo_main.vi,在前面板中修改程序中加载的模型路径为实际模型路径，本项目中已经将PP-YOLOE onnx模型【ppyoloe_crn_s_300e_coco.onnx】放置到了model文件夹中，如需其他模型，读者也可自行放置到model文件及下，实现模型的加载。修改检测图片的路径为实际图片路径，运行程序，可得到目标检测的结果。

  • 主程序源码如下：
    在这里插入图片描述

  • 运行结果如下：

在这里插入图片描述
大家也可以检测其他图片来测试检测效果。

2、LabVIEW调用PP-YOLOE实现实时目标检测ppyolo_camera.vi

实时检测过程，我们可以选择使用CUDA实现推理加速，整个程序的实现过程和加载图片进行检测基本一致。

（1）LabVIEW调用PP-YOLOE实时目标检测源码

在这里插入图片描述

（2）LabVIEW调用PP-YOLOE实现实时目标检测结果

在这里插入图片描述

可以看到使用CUDA进行推理加速，速度还是很快的。

五、完整项目下载链接

链接：https://blog.csdn.net/virobotics/article/details/126231434?spm=1001.2014.3001.5501

总结

以上就是今天要给大家分享的内容。大家可根据链接下载相关源码与模型。

如果有问题可以在评论区里讨论，提问前请先点赞支持一下博主哦，如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299。进群请备注：LabVIEW机器学习

**如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏

posted @ 2023-07-17 12:10  virobotics  阅读(224)  评论(0)  编辑  收藏  举报