效果图

文章中采用的是棋盘格数据，这张图里面用的是开源的模型，可以用于测试，此图为最终效果，加载mp4视频，通过opencv读取图像，传递到infer接口，进行推理识别，利用opencv显示出来

---

---

前言

作为一个没有接触过深度学习的码农，此篇文章记录一下自己深度学习入门的一些经验分享，从数据集准备到模型训练生成pt文件，然后通过yolo将模型导出为onnx，通过tensorrt将模型转化为engine规格给tensorrt的infer使用。

---

一、数据集生成

1.图像准备

准备一些带有目标物体的影像例程中采用相机内标定的棋盘格数据，放在一个目录下。

2.图像标注

一般采用开源的软件来做图像标注，如labelme（https://github.com/wkentaro/labelme），在release页面找对应平台的可执行文件。

labelme标注软件使用方法：标注完成后点击 上一张 下一张 可以切换图像，会在图像目录生成对应json文件

3.标注成果转换为yolo格式

labelme出来的成果为json格式，图片和json在1个目录，记录的是标注框的左上和右下角点

yolo需要的成果为txt格式，分images和labels目录，train.txt和val.txt分别记录用于训练的样本和用于验证的样本，一般比例为8:2。文件格式为labelId cx cy w h，空格 分隔，值为归一化的值

yolo数据集转化方法

3.1.开源的python脚本

Labelme2YOLO（https://github.com/rooneysh/Labelme2YOLO）

3.2.自己写脚本转换

到此位置样本数据准备完成，可以进行后续训练和检测操作了

TODO.

二、模型训练

1.安装yolo

前提：pycharm已安装，python > 3.7
源码：https://github.com/ultralytics/yolov5.git，参考readme.md安装依赖

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

2.配置train.yaml

在yolo源码的data目录新建1个train.yaml，内容如下

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/XmpCache/yolov5_images
train: train.txt  # train images (relative to 'path') 118287 images
val: val.txt  # val images (relative to 'path') 5000 images# Classes
names:0: chessboard1: fisheye_chessboard

---

3.执行训练

通过传递参数，就不用去动yolo源码脚本了

python train.py --cfg models/yolov5s.yaml --data data/train.yaml --batch-size 4

4.导出onnx

通过传递参数，就不用去动yolo源码脚本了

#yolo训练的模型在yolo/runs/expX/weights目录下，X为执行次数，best.pt为最好的那次结果，last.pt为最新的那次结果
python .\export.py --weights .\runs\train\exp5\weights\best.pt --include onnx --opset 12

三、TensorRT推理

1.环境安装

cudNN、TensorRT版本需要和CUDA版本对应，目前cuda-11.1、cuDNN-8.0.5、TensorRT-8.0.1.6/7.2.3.4测试通过

安装 CUDA：https://developer.nvidia.com/cuda-downloads
安装 cuDNN：https://developer.nvidia.com/nvidia-tensorrt-8x-download
安装 TensorRT：https://developer.nvidia.com/rdp/cudnn-download

2.engine模型转换

tensorrt pathto\trtexec --onnx=best.onnx --saveEngine=chessboard.engine

3.TensorRT C++ 集成

目前比较好用的C++ Infer的SDK

3.1 tensorRT_Pro

源码：（https://github.com/shouxieai/tensorRT_Pro.git）

3.2 infer

源码：（https://github.com/shouxieai/infer.git）

4.yolo样例数据

总结

过程中遇到的问题

1.执行train.py时提示的错误，这个问题是由于安装了Anaconda后，Anaconda的环境每次启动命令行后自动激活的问题导致，现象表现为打开控制台后，出现命令行前出现 (base) 字样

报错OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
解决方案：关闭Anaconda的base环境自动激活功能

#在Anaconda的prompt中输入： 
config --set auto_activate_base false 

此时再打开pycharm命令行可以看到环境提示为venv

2.使用TensorRT 7.x版本转换生成engine文件时失败，但是8.x正常

Input dimensions [1,3,80,80,6] have volume 115200 and output dimensions [1,1]
解决方案：此时注意onnx的opset版本为17或更高，需要在yolo执行export.py时将他的opset版本修改为12左右即可

3.执行pt转换onnx脚本时，不需要指定 --device ，转化engine才需要

以上就是本次要写的内容，本文仅仅简单介绍了yolo+tensorrt入门级的使用。