YOLOv5利用ncnn部署系列(二)
三、YOLOv5模型转onnx前面说完YOLOv5的训练,也进行了相应的测试,接下来就是对训练好的pt模型转为onnx模型!在YOLOv5的git项目里有自带的一个onnx_export.py文件,运行该文件,即可将pt模型转为onnx模型,但是里面也有很多坑!!!!先来看onnx_export.py的代码:"""Exports a pytorch *.pt model to *.onnx for
三、YOLOv5模型转onnx
前面说完YOLOv5的训练,也进行了相应的测试,接下来就是对训练好的pt模型转为onnx模型!
在YOLOv5的git项目里有自带的一个onnx_export.py文件,运行该文件,即可将pt模型转为onnx模型,但是里面也有很多坑!!!!
先来看onnx_export.py的代码:
"""Exports a pytorch *.pt model to *.onnx format
Usage:
import torch
$ export PYTHONPATH="$PWD" && python models/onnx_export.py --weights ./weights/yolov5s.pt --img 640 --batch 1
"""
import argparse
import onnx
from models.common import *
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='./weights/last.pt', help='weights path')
parser.add_argument('--img-size', nargs='+', type=int, default=[320, 320], help='image size')
parser.add_argument('--batch-size', type=int, default=1, help='batch size')
opt = parser.parse_args()
print(opt)
# Parameters
f = opt.weights.replace('.pt', '.onnx') # onnx filename
img = torch.zeros((opt.batch_size, 3, *opt.img_size)) # image size, (1, 3, 320, 192) iDetection
# Load pytorch model
# google_utils.attempt_download(opt.weights)
model = torch.load(opt.weights, map_location=torch.device('cpu'))['model']
model.eval()
model.fuse()
# Export to onnx
model.model[-1].export = True # set Detect() layer export=True Ture会使detect层不加入onnx
_ = model(img) # dry run
torch.onnx.export(model, img, f, verbose=False, opset_version=11, input_names=['images'],
output_names=['output']) # output_names=['classes', 'boxes']
# Check onnx model
model = onnx.load(f) # load onnx model
onnx.checker.check_model(model) # check onnx model
print(onnx.helper.printable_graph(model.graph)) # print a human readable representation of the graph
print('Export complete. ONNX model saved to %s\nView with https://github.com/lutzroeder/netron' % f)
需要修改onnx_export.py代码中的几个地方:
pt模型默认输入size为640*640,这里转onnx时将输入减半,是由于在调用ncnn时需要重写后处理部分代码,会有多个for循环,为了提速,将输入大小减半,具体的输入应该是可以自己设置的,只要是32的倍数即可,但是本文没有尝试,感兴趣的可自行尝试!
注意!YOLOv5在转onnx的时候,有个巨坑,就是在网络模型中有个Focus机制,其中有一个tensor的切片操作,这个操作在转ncnn的时候不被支持,需要对这个模型的切片操作进行修改!
具体的修改是在models文件夹下的common.py文件,其原始代码如下:
class Focus(nn.Module):
# Focus wh information into c-space
def __init__(self, c1, c2, k=1):
super(Focus, self).__init__()
self.conv = Conv(c1 * 4, c2, k, 1)
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
# return self.conv(torch.cat([x, x, x, x], 1))
return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))
我们要将上述代码做如下修改:
将切片操作修改之后,转ncnn的时候才能成功,当然,这么修改模型对精度是有一定影响的!如果你足够牛,可以去ncnn里自定义实现切片操作!!!!
到这里为止,就已经将pt模型转为了onnx模型,可以说已经脱离了pytorch了,但是转ncnn还需要对模型做一个Simplifier操作,因为转出的onnx模型还有许多冗余,这在ncnn里也是不支持的,避免转ncnn时各种报错,就先操作一下把!
直接在pycharm里打开Terminal,在里面输入以下代码:
python3 -m onnxsim input_onnx_model out_onnx_model
然后回车即可,其中input_onnx_model是你需要简化的onnx的路径,out_onnx_model就是输出简化后模型的路径!
转onnx到这一步就算结束了,接下来就是onnx转ncnn了!
四、onnx转ncnn
如果是按照上面的步骤将yolov5转为onnx了,那么接下来转ncnn应该是非常顺利的,本文亲测有效!如若不是,过程中多半会出问题,就自求多福吧!
ncnn编译的问题可以去看我的另一篇博客,里面有详细介绍,只要ncnn成功编译了,通过终端cd到ncnn/build/tools/onnx/路径下,里面有一个编译好的onnx2ncnn文件,如下:
这时只需要在终端中输入:
./onnx2ncnn model.onnx model.param model.bin
回车即可,其中model.onnx即是需要转为ncnn的onnx模型,model.param和model.bin即为转为ncnn后输出的两个文件,注意这两个文件的顺序千万不能写反了!!!
如果什么都没输出,那恭喜成功了!如果遇到下面这种情况:
多半是没做Simplifier操作,若果做了还是不行,那自求多福吧!!!
最终生成的ncnn文件如下:
恭喜你,成功转为ncnn模型了!
更多技术欢迎加入交流:320297153
更多推荐
所有评论(0)