手把手教你使用LabVIEW TensorRT实现图像分类实战（含源码）

前言

前面我们给大家介绍了使用OpenCV以及ONNX工具包实现yolov5在LabVIEW中的部署，有英伟达显卡的朋友们可能已经感受过使用cuda加速时yolov5的速度，今天主要和大家分享在LabVIEW中使用纯TensoRT工具包快速部署并实现yolov5的物体识别， 本博客中使用的智能工具包可到主页置顶博客[https://blog.csdn.net/virobotics/article/details/129304465]
中安装 。若配置运行过程中遇到困难，欢迎大家评论区留言，博主将尽力解决。

以下是YOLOv5的相关笔记总结，希望对大家有所帮助。

【YOLOv5】LabVIEW+OpenVINO让你的YOLOv5在CPU上飞起来	https://blog.csdn.net/virobotics/article/details/124951862
【YOLOv5】LabVIEW OpenCV dnn快速实现实时物体识别（Object Detection）	https://blog.csdn.net/virobotics/article/details/124929483
【YOLOv5】手把手教你使用LabVIEW ONNX Runtime部署 TensorRT加速，实现YOLOv5实时物体识别（含源码）	https://blog.csdn.net/virobotics/article/details/124981658

---

一、关于YOLOv5

YOLOv5是在 COCO 数据集上预训练的一系列对象检测架构和模型。表现要优于谷歌开源的目标检测框架 EfficientDet，在检测精度和速度上相比yolov4都有较大的提高。本博客，我们以YOLOv5 6.1版本来介绍相关的部署开发。

YOLOv5相比于前面yolo模型的主要特点是：
1、小目标的检测精度上有明显的提高；
2、能自适应锚框计算
3、具有数据增强功能，随机缩放，裁剪，拼接等功能
4、灵活性极高、速度超快，模型超小、在模型的快速部署上具有极强优势

关于YOLOv5的网络结构解释网上有很多，这里就不再赘述了，大家可以看其他大神对于YOLOv5网络结构的解析。

二、YOLOv5模型的获取

为方便使用， 博主已经将yolov5模型转化为onnx格式 ，可在百度网盘下载
链接：[https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku]
提取码：yiku

1.下载源码

将Ultralytics开源的YOLOv5代码Clone或下载到本地，可以直接点击Download ZIP进行下载，

下载地址：[https://github.com/ultralytics/yolov5]

2.安装模块

解压刚刚下载的zip文件，然后安装yolov5需要的模块，记住cmd的工作路径要在yolov5文件夹下：

打开cmd切换路径到yolov5文件夹下，并输入如下指令，安装yolov5需要的模块

pip install -r requirements.txt

3.下载预训练模型

打开cmd，进入python环境，使用如下指令下载预训练模型：

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom

成功下载后如下图所示：

4.转换为onnx模型

将.pt文件转化为.onnx文件，在cmd中输入转onnx的命令（记得将export.py和pt模型放在同一路径下）：

python export.py --weights yolov5s.pt --include onnx

如下图所示为转化成功界面

其中yolov5s可替换为yolov5myolov5myolov5lyolov5x

三、LabVIEW+TensorRT的yolov5部署实战（yolov5_trt_img.vi）

如需要查看TensorRT工具包相关vi含义，可查看：[https://blog.csdn.net/virobotics/article/details/129492651]

1.onnx转化为engine（onnx to engine.vi）

使用onnx_to_engine.vi，将该vi拖拽至前面板空白区域，创建并输入onnx的路径以及engine的路径，type即精度，可选择FP32或FP16，肉眼观看精度无大差别。（一般FP16模型比FP32速度快一倍）

转换的完整程序如下：

点击运行，等待1~3分钟，模型转换成功，可在刚刚设定的路径中找到我们转化好的mobilenet.engine.

Q：为什么要转换模型，不直接调用ONNX？> A：tensorRT内部加载ONNX后其实是做了一个转换模型的工作，该过程时间长、占用内存巨大。因此不推荐每次初始化都加载ONNX模型，而是加载engine。

2.部署

模型初始化

1. 加载yolov5s.engine文件
2. 设置输入输出缓存
   • 输入大小为13640640
   • 输出大小为125200*85
   

yolov5的预处理

1. LetterBox
2. blobFromImage，包含如下步骤：

1) img=img/255.0
2) img = img[None] #从(640,640,3)扩充维度至(1,640,640,3)
3) input=img.transpose(0,3,1,2) # BHWC to BCHW

模型推理

1. 推荐使用数据指针作为输入给到run.vi
2. 数据的大小为13640*640
   

获取推理结果

1. 循环外初始化一个25200*85的二维数组
2. 此数组作为Get_Result的输入，另一个输入为index=0
3. 输出为25200*85的二维数组结果

后处理

本范例中，后处理方式和使用onnx一样

完整源码

运行结果

项目源码

源码下载链接：https://pan.baidu.com/s/1y0scJ8tg5nzjJK4iPvNwNQ?pwd=yiku

附加说明

• 操作系统：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• 视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip
• LabVIEW TensorRT工具包：virobotics_lib_tensorrt-1.0.0.22.vip
• 运行结果所用显卡：RTX3060

审核编辑 黄宇

‍‍