正文

时隔一年，终于还是对yolox之openvino出手啦(代码片段)

墨理学AI  墨理学AI  2023-03-17  643

关键词：

🥇 版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连
🎉 声明: 作为全网 AI 领域干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

文章目录

前言：时隔一年，终于还是对 YOLOX 之 Openvino 出手啦

YOLOX 系列时隔一年，终于还是对 YOLOX 之 Openvino 出手啦，本博主核心内容

YOLOX pytorch、onnx、Openvino 环境搭建
pytorch2onnx 模型转换、推理
onnx2Openvino 模型转换、推理
YOLOX （pytorch）模型转onnx转Openvino之运行推理【YOLOX 实战五】【一文读懂】

YOLOX 环境搭建

git clone https://github.com/Megvii-BaseDetection/YOLOX.git

cd YOLOX

conda create -n torchYolo python=3.8.5

conda activate torchYolo 

pip3 install -r requirements.txt

python3 setup.py develop

YOLOX pytorch2onnx

有一定自学能力的同学，直接参考官方文档即可

https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntime

pytorch2onnx 模型转换

onnx 相关库安装，主要就是下面这俩，缺什么补什么就可以了

pip install onnx  -i https://pypi.douban.com/simple/
pip install onnxruntime  -i https://pypi.douban.com/simple/

运行命令如下

## 进入 YOLOX 源码

## yolox_s.pth 需要手动下载，我放置在了上一层目录，你也可以直接放在当前目录

python3 tools/export_onnx.py --output-name yolox_s.onnx -f exps/default/yolox_s.py -c ../yolox_s.pth

## 运行输出如下，目录下可以看到 yolox_s.onnx，推理会用

2022-08-10 01:31:32.406 | INFO     | __main__:main:64 - args value: Namespace(batch_size=1, ckpt='../yolox_s.pth', decode_in_inference=False, dynamic=False, exp_file='exps/default/yolox_s.py', experiment_name=None, input='images', name=None, no_onnxsim=False, opset=11, opts=[], output='output', output_name='yolox_s.onnx')
2022-08-10 01:31:32.695 | INFO     | __main__:main:88 - loading checkpoint done.
2022-08-10 01:31:36.690 | INFO     | __main__:main:101 - generated onnx model named yolox_s.onnx
2022-08-10 01:31:37.982 | INFO     | __main__:main:117 - generated simplified onnx model named yolox_s.onnx

运行截图如下

onnx_inference 运行效果如下

官方真的写的很详细了

python3 onnx_inference.py -m yolox_s.onnx -i ../../assets/dog.jpg -o ./ -s 0.3 --input_shape 640,640

运行截图如下

dog.jpg ：看图久了，这只 dog 我最熟悉了，O(∩_∩)O哈哈~

YOLOX openvino

貌似安装这个库就可，依赖一堆，会自动安装

pip install openvino-dev -i https://pypi.douban.com/simple/

Convert model 命令解析

python3 mo.py --input_model <ONNX_MODEL> --input_shape <INPUT_SHAPE> [--data_type FP16]

# 对应命令如下   
python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox --data_type FP16

默认 --data_type FP32

运行命令

## 不设置 --data_type  则默认就是 --data_type FP32

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox

运行输出如下

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox

Model Optimizer arguments:
Common parameters:
	- Path to the Input Model: 	/home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox_s.onnx
	- Path for generated IR: 	/home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/./yolox
	- IR output name: 	yolox_s
	- Log level: 	ERROR
	- Batch: 	Not specified, inherited from the model
	- Input layers: 	Not specified, inherited from the model
	- Output layers: 	Not specified, inherited from the model
	- Input shapes: 	[1,3,640,640]
	- Source layout: 	Not specified
	- Target layout: 	Not specified
	- Layout: 	Not specified
	- Mean values: 	Not specified
	- Scale values: 	Not specified
	- Scale factor: 	Not specified
	- Precision of IR: 	FP32  ## 可以看到 默认就是 --data_type FP32
	- Enable fusing: 	True
	- User transformations: 	Not specified
	- Reverse input channels: 	False
	- Enable IR generation for fixed input shape: 	False
	- Use the transformations config file: 	None
Advanced parameters:
	- Force the usage of legacy Frontend of Model Optimizer for model conversion into IR: 	False
	- Force the usage of new Frontend of Model Optimizer for model conversion into IR: 	False
OpenVINO runtime found in: 	/home/u18/anaconda3/envs/torch385/lib/python3.8/site-packages/openvino
OpenVINO runtime version: 	2022.1.0-7019-cdb9bec7210-releases/2022/1
Model Optimizer version: 	2022.1.0-7019-cdb9bec7210-releases/2022/1
[ SUCCESS ] Generated IR version 11 model.
[ SUCCESS ] XML file: /home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox/yolox_s.xml
[ SUCCESS ] BIN file: /home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox/yolox_s.bin
[ SUCCESS ] Total execution time: 0.62 seconds. 
[ SUCCESS ] Memory consumed: 141 MB.

运行截图如下

模型大小 35M

ls
yolox_s.bin  yolox_s.mapping  yolox_s.xml
(torch385) u18@ubuntu:~/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox$ du -sh
35M	.

指定 --data_type FP16

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox --data_type FP16

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] --data_type FP16 --output_dir converted_output

模型大小 18M

cd yolox/
(torch385) u18@ubuntu:~/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox$ du -sh
18M	.

顺利跑通阶段一：onnx2openvino 转换


## 最终我这里顺利跑通 转换 和 推理，命令如下
pwd
/home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo

   # 执行命令如下
   python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] --data_type FP16 --output_dir converted_output

顺利跑通阶段二：openvino 推理

pwd
/home/u18/Desktop/project/yoloX/YOLOX-main/demo/OpenVINO/python
# 转换得到的 OpenVINO 模型 copy 到当前目录
cp /home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/converted_output/ -r .

	# 执行命令如下
	python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg 
    or
    python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg -o './' -s 0.5 -d 'CPU'

openvino 推理运行截图

python openvino_inference.py 参数解析【冗余章节】

python openvino_inference.py -m <XML_MODEL_PATH> -i <IMAGE_PATH> 

python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg

or 设置更多参数

python openvino_inference.py -m <XML_MODEL_PATH> -i <IMAGE_PATH> -o <OUTPUT_DIR> -s <SCORE_THR> -d <DEVICE>
## 参数解析如下，cat openvino_inference.py 即可看明白
  '-s',
   '--score_thr',
   type=float,
   default=0.3,
##
python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg -o './' -s 0.5 -d 'CPU'

onnx2openvino + openvino_inference.py 运行

`openvino_inference.py yolox_s.onnx 推理成功`

openvino_inference.py 对于 onnx 模型也能够推理

简单的代码分析

    # ---------------------------Step 6. Prepare input---------------------------------------------------------------------
    # image.shape
	# (3, 640, 640)
	# type(image)
	# <class 'numpy.ndarray'>
    # ------------------------------------------------------------------------------------------------
    origin_img = cv2.imread(args.input)
    _, _, h, w = net.input_info[input_blob].input_data.shape
    image, ratio = preprocess(origin_img, (h, w))

    # ---------------------------Step 7. Do inference----------------------------------------------------------------------
    log.info('Starting inference in synchronous mode')
    res = exec_net.infer(inputs=input_blob: image)  # <class 'dict'>

    # ---------------------------Step 8. Process output--------------------------------------------------------------------
    res = res[out_blob]  # <class 'numpy.ndarray'>

值得注意的是：当前版本 openvino_inference.py 使用的 Inference Engine API 不是 OpenVINO Runtime API 2.0

📙 YOLO 系列推荐博文参考顺序【只看一篇就够用】

🟦 YOLO 理论讲解学习篇

能够找到的质量 OK 的解读【我先收藏了】

YOLO系列英文论文分享 – 新建了一个 gitee 仓库，方便大家下载

🟧 Yolov5 系列

💜 YOLOv5 环境搭建 | coco128 训练示例 |❤️ 详细记录❤️ |【YOLOv5】
💜 YOLOv5 COCO数据集训练 | 【YOLOv5 训练】

🟨 YOLOX 系列

💛 YOLOX 环境搭建 | 测试 | COCO训练复现【YOLOX 实战】
💛 YOLOX （pytorch）模型 ONNX export | 运行推理【YOLOX 实战二】
💛 YOLOX （pytorch）模型转 ONNX 转 ncnn 之运行推理【YOLOX 实战三】
💛 YOLOX （pytorch）模型转 tensorRT 之运行推理【YOLOX 实战四】

🟦 Yolov3 系列

🟦 持续补充更新

❤️ 各位亲们，别忘了收藏、感谢三连 ❤️

❤️ 人生苦短，欢迎和墨理一起学AI 💜

上一秒的我信誓旦旦

梦醒，洗头

🍊 点赞 👍 收藏 ⭐留言 📝 都是博主坚持写作、更新高质量博文的最大动力！

windows10将yolox模型转换为openvino需要的ir文件(代码片段)

环境Windows：10Anaconda：2.0.4Python3.7.10torch：1.7.0torchvision：0.8.0YOLOX：0.1.0OpenVINO工具包2020.2OpenVINO安装：https://blog.csdn.net/qq_44989881/article/details/119 查看详情

yolox原始论文精读

...了YOLOv3到YOLOv5，并且支持MegEngine、ONNX、TensorRT、ncnn和OpenVINO，为大家提供了加速和部署的支持。在原始论文的题目可以看出，YOLOX在2021年超过了所有YOLO系列的版本：下面就开始对YOL 查看详情

anchorfree系列网络之yolox源码逐行讲解篇--mosaic数据增强及数学理解

...于一个调参者。本篇讲的是YOLOX中的mosaic数据增强，大多还是opencv的操作。下图就是一个mosaic增强后的效果图，可以看出：该图像由四张图像拼接，且每张图像都有一定的仿射变换(旋转、平移、resize等)。我们打开yolox\\data\\dataset... 查看详情

deepstream系列之yolox调用(代码片段)

...查看系列文章目录该文转载于我同事的文章【Deepstream之YoloX部署】，版权归原作者所有。github:egbertYeah/yolox_deepstream(github.com)https://github.com/egbertYeah/yolox_deepstream0.目标检测算法YoloXYoloX是旷视科技于2021年提出的目标检测算法... 查看详情

deepstream系列之yolox调用(代码片段)

anchorfree系列网络之yolox源码逐行讲解篇--coco数据载入及分布式训练

整个YOLOX源码的学习一定要按照以下顺序才能整体串起来：Backbone->FPN->Head->->数据读入源码->数据增强源码->loss计算源码->simOTA源码->demo.py脚本->train.py脚本。而该系列博文也遵循该顺序来逐行分析代码。注意是... 查看详情

raspberrypi4b部署yolox(代码片段)

环境Python：3.7.3YOLOX：0.1.1rc0torch：1.8.0torchvision：0.9.0OpenVINO：2021.4.582g++(Raspbian8.3.0-6+rpi1)8.3.0raspberrypi：5.10.52-v7l+系统指令集：查看详情

学习记录：正负样本分配策略之yolox|simota-简单易懂版

学习记录：正负样本分配策略之YoloX|SimOTA-简单易懂版文献阅读和分享目标检测领域趋势正负样本分配策略——SimOTA网络训练（恋爱历程）SimOTA具体流程（中介分配对象流程）一、初步筛选（外貌协会）... 查看详情

deepstream之yolox部署(代码片段)

github: egbertYeah/yolox_deepstream(github.com)0.目标检测算法YoloXYoloX是旷视科技于2021年提出的目标检测算法，本文主要介绍YoloX在deepstream环境下如何推理部署，对于算法的改进点以及性能不进行过多的分析。paper: YOLOX:ExceedingYOLOS... 查看详情

程序员修炼之道

...随手翻了几年，发现挺无聊的，并没有所谓的修炼之道。时隔多年又一时兴起，再次翻开了它。首先，读了序言就很佩服作者的远见。作者首先提到了一种趋势，静态语言的应用率在逐步降低查看详情

时隔多年，这次我终于把动态代理的源码翻了个地儿朝天(代码片段)

动态代理简介 Proxy模式是常用的设计模式，其特征是代理类与委托类有同样的接口，代理类主要负责为委托类预处理消息、过滤消息、把消息转发给委托类，以及事后处理消息等。用户可以更加结构图，自己编码完成Proxy模式... 查看详情

yolox改进之模型轻量化（lite）(代码片段)

文章内容：给YOLOv5-Lite系列轻量级模型换上YOLOX头部环境：pytorch1.7+cuda11.0注意：YOLOv5版本为5.0，可以匹配YOLOX的主干网络与neck部分一、参考资料参考资料1：YOLOv5-Lite：代码链接：https://github.com/ppogg/YOL... 查看详情

计算机专业丨学完一年编程还是不会写代码，问题到底出在哪？

...—为什么我认真听课，认真看书书，几个月甚至一年下来但还是写不好代码？！为什么学了很久很久编程，还是只会写一些简单的算法题？为什么学了几个月编程，查看详情

念叨了一年的游戏叙事书中文版终于出了

VideoGameStorytelling中文版《扣人心弦：游戏叙事技巧与实践》终于来啦！本书封面取自游戏《藏梦》，大家可以关注一下这款有着独特韵味的独立作品。原作者EvanSkolnick，是一名长期活跃在游戏界传道授业的人士。... 查看详情

深入浅出yolo系列之yolov3&yolov4&yolov5&yolox核心基础知识完整讲解

...测算法会经常使用和关注，比如Yolov3、Yolov4、Yolov5、Yolox算法。当然，实际项目中很多的第一步，也都是先进行目标检测任务，比如人脸识别、多目标追踪、REID、客流统计等项目。因此目标检测是计算机视觉项目... 查看详情

时隔半年再写购物车程序并改进(代码片段)

时隔了半年时间，重新把购物车程序拿出来再写一遍，感觉对于循环语句比之前熟悉多了，脑子里面开始有程序流程图，之前懵懵懂懂地跟着老师来写，现在基本可以自己写，自己判断问题出在哪里了。这段程序没用pycharm来写... 查看详情

client-go实战之六:时隔两年，刷新版本继续实战(代码片段)

欢迎访问我的GitHub这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos系列文章链接client-go实战之一：准备工作client-go实战之二:RESTClientclient-go实战之三：Clientsetclient-go实战之四：dynamicClien... 查看详情

正文

时隔一年，终于还是对yolox之openvino出手啦(代码片段)

文章目录

前言：时隔一年，终于还是对 YOLOX 之 Openvino 出手啦

YOLOX 环境搭建

YOLOX pytorch2onnx

pytorch2onnx 模型转换

onnx_inference 运行效果如下

YOLOX openvino

Convert model 命令解析

默认 --data_type FP32

指定 --data_type FP16

顺利跑通 阶段一：onnx2openvino 转换

顺利跑通 阶段二：openvino 推理

python openvino_inference.py 参数解析【冗余章节】

onnx2openvino + openvino_inference.py 运行

openvino_inference.py yolox_s.onnx 推理成功

简单的代码分析

📙 YOLO 系列推荐博文参考顺序【只看一篇就够用】

🟦 YOLO 理论讲解学习篇

🟧 Yolov5 系列

🟨 YOLOX 系列

🟦 Yolov3 系列

🟦 持续补充更新

❤️ 人生苦短， 欢迎和墨理一起学AI 💜

windows10将yolox模型转换为openvino需要的ir文件(代码片段)

yolox原始论文精读

anchorfree系列网络之yolox源码逐行讲解篇--mosaic数据增强及数学理解

deepstream系列之yolox调用(代码片段)

deepstream系列之yolox调用(代码片段)

deepstream系列之yolox调用(代码片段)

anchorfree系列网络之yolox源码逐行讲解篇--coco数据载入及分布式训练

raspberrypi4b部署yolox(代码片段)

学习记录：正负样本分配策略之yolox|simota-简单易懂版

deepstream之yolox部署(代码片段)

程序员修炼之道

时隔多年，这次我终于把动态代理的源码翻了个地儿朝天(代码片段)

yolox改进之模型轻量化（lite）(代码片段)

计算机专业丨学完一年编程还是不会写代码，问题到底出在哪？

念叨了一年的游戏叙事书中文版终于出了

深入浅出yolo系列之yolov3&yolov4&yolov5&yolox核心基础知识完整讲解

时隔半年再写购物车程序并改进(代码片段)

client-go实战之六:时隔两年，刷新版本继续实战(代码片段)

顺利跑通阶段一：onnx2openvino 转换

顺利跑通阶段二：openvino 推理

`openvino_inference.py yolox_s.onnx 推理成功`

❤️ 人生苦短，欢迎和墨理一起学AI 💜