【YOLOv8】实战三：基于LabVIEW TensorRT部署YOLOv8

‍‍🏡博客主页： virobotics的CSDN博客：LabVIEW深度学习、人工智能博主
🎄所属专栏：『LabVIEW深度学习实战』
🍻上期文章： 【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战
📰如觉得博主文章写的不错或对你有所帮助的话，还望大家多多支持呀！ 欢迎大家✌关注、👍点赞、✌收藏、👍订阅专栏

文章目录

前言一、YOLOv8简介二、环境搭建2.1 部署本项目时所用环境2.2 LabVIEW工具包下载及安装 三、yolov8导出为onnx3.1 安装YOLOv83.2 下载模型权重文件3.3 导出模型为onnx 四、项目实践3.1 onnx转化为engine（onnx to engine.vi）4.2 YOLOv8在LabVIREW中使用TensoRT工具包实现实时目标检测 五、项目源码总结

前言

大家五一出去玩了吗？祝大家五一出游快乐！之前给大家介绍了一些YOLO 模型在LabVIEW上的部署。感兴趣的话可以查看专栏【深度学习：物体识别（目标检测）】本文主要想和各位读者分享YOLOv8使用TensorRT工具包在LabVIEW中的部署。

---

一、YOLOv8简介

YOLOv8 是由 YOLOv5 的发布者 Ultralytics 发布的最新版本的 YOLO。它可用于对象检测、分割、分类任务以及大型数据集的学习，并且可以在包括 CPU 和 GPU 在内的各种硬件上执行。

YOLOv8是一种尖端的、最先进的 (SOTA) 模型，它建立在以前成功的 YOLO 版本的基础上，并引入了新的功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，这也使其成为对象检测、图像分割和图像分类任务的绝佳选择。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，还支持YOLO以往版本，方便不同版本切换和性能对比。

YOLOv8 有 5 个不同模型大小的预训练模型：n、s、m、l 和 x。关注下面的参数个数和COCO mAP（准确率），可以看到准确率比YOLOv5有了很大的提升。特别是 l 和 x，它们是大模型尺寸，在减少参数数量的同时提高了精度。

每个模型的准确率如下

YOLOv8官方开源地址：https://github.com/ultralytics/ultralytics

---

二、环境搭建

2.1 部署本项目时所用环境

操作系统：Windows10python：3.6及以上LabVIEW：2018及以上 64位版本AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.viptensorRT工具包：virobotics_lib_tensorrt-1.0.0.22.vip

2.2 LabVIEW工具包下载及安装

AI视觉工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/123656523TensorRT工具包下载与安装参考：
https://blog.csdn.net/virobotics/article/details/129304465

---

三、yolov8导出为onnx

注意：本教程已经为大家提供了YOLOv8的onnx模型，可跳过本步骤，直接进行步骤四-项目实战。若是想要了解YOLOv8的onnx模型如何导出，则可继续阅读本部分内容。

下面我们来介绍onnx模型的导出(以yolov8s为例，想要导出其他模型的方式也一样，只需要修改名字即可)

3.1 安装YOLOv8

YOLOv8的安装有两种方式，pip安装和GitHub安装。

pip安装

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

GitHub安装

git clone https://github.com/ultralytics/ultralyticscd ultralyticspip install -e '.[dev]'

安装完成后就可以通过yolo命令在命令行进行使用了。

3.2 下载模型权重文件

在官方网站中下载我们所需要的权重文件

注意：这一步其实可以不做，我们在第三步导出模型为onnx的时候如果权重文件不存在，会自动帮我们下载一个权重文件，但速度会较慢，所以个人还是建议先在官网中下载权重文件，再导出为onnx模型

3.3 导出模型为onnx

新建一个文件夹名字为“yolov8_onnx”，将刚刚下载的权重文件“yolov8s.pt”放到该文件夹下的models文件夹里

在models文件夹下打开cmd，在cmd中输入以下命令将模型直接导出为onnx模型：

yolo export model=yolov8s.pt format=onnx opset=12 

YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格，每个单元格包含x,y,w,h这4项再加80个类别的置信度总共84列内容，所以通过上面命令导出的onnx模型的输出维度为1x84x8400。

如果觉得上面方式不方便，那我们也可以写一个python脚本，快速导出yolov8的onnx模型，程序如下：

from ultralytics import YOLO # Load a modelmodel = YOLO("\models\yolov8s.pt")  # load an official model # Export the modelmodel.export(format="onnx")

---

四、项目实践

实现效果：基于LabVIEW TensorRT部署YOLOv8

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

整个项目工程如下，本次项目以yolov8s为例

model:yolov8模型文件subvi：子viexport.py:将yolov8的pt导出为onnxyolov8_trt_camera:yolov8摄像头视频实时推理

准备工作

放置一张待检测图片和coco.name到yolov8_onnx文件夹下，本项目中放置了一张dog.jpg图片；确保models文件中已经放置了yolov8的onnx模型：yolov8s.onnx；

3.1 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yolov8s_FP16.engine，本项目演示结果使用的模型精度为FP16。

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。

4.2 YOLOv8在LabVIREW中使用TensoRT工具包实现实时目标检测

1.模型初始化：加载yolov8s.engine文件,设置输入输出缓存
• 输入大小为1 * 3 * 640 * 640
• 输出大小为1 * 84 * 8400；

2.图像预处理：创建所需Mat并启动摄像头，对视频流中的每帧进行预处理

cvtColor：颜色空间转换把采集的BGR图像转为RGB
letterbox：深度学习模型输入图片的尺寸为正方形，而数据集中的图片一般为长方形，粗暴的resize会使得图片失真，采用letterbox可以较好的解决这个问题。该方法可以保持图片的长宽比例，剩下的部分采用灰色填充。

blobFromImage的作用：

size：640x640（图像resize为640x640）Scale=1/255,Means=[0,0,0]（图像归一化至0~1之间）

最后，要将图片数据HWC转换（transpose）为神经网络容易识别的NCHW格式

H：图片的高度：640W：图片的宽度：640C：图片的通道数：3N：图片的数量，通常为1

4.模型推理：推荐使用数据指针作为输入给到run.vi，数据的大小为1x3x640x640；

5.获取推理结果：循环外初始化一个84x8400的二维数组，此数组作为Get_Result.vi的输入，输出为84x8400的二维数组结果，推理之后，将推理结果由84x8400 transpose为8400x84，以便于输入到后处理；

6.后处理

范例中yolov8_post_process 的输入8400x84,84的排列顺序:

第0列代表物体中心x在图中的位置第1列表示物体中心y在图中的位置第2列表示物体的宽度第3列表示物体的高度第4~83列为基于COCO数据集的80分类的标记权重，最大的为输出分类。

8400的含义是：YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格
yolov8_post_process 的输出为box的x,y,w,h以及confidence和类别class

注：如果用户训练自己的数据集，则列数将根据用户定义的类别数改变。如果用户的数据集中有2类，那么输入数据的大小将为8400x6。前4列意义和之前相同，后2列为每一个分类的标记权重。

7.绘制检测结果；

8.完整源码；

9.运行效果(运行电脑独显为笔记本RTX 3060，模型精度为FP16,检测1280*720的视频流)

之后我们将给大家介绍使用GPU（tensorRT）完成图像的预处理和后处理，进一步优化模型，提升速度</font

五、项目源码

码字不易，如需源码，请一键三连并订阅本专栏后评论区留下邮箱

---

总结

以上就是今天要给大家分享的内容，希望对大家有用。我们下篇文章见~

如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏

推荐阅读

LabVIEW图形化的AI视觉开发平台（非NI Vision），大幅降低人工智能开发门槛
LabVIEW图形化的AI视觉开发平台（非NI Vision）VI简介
LabVIEW AI视觉工具包OpenCV Mat基本用法和属性
手把手教你使用LabVIEW人工智能视觉工具包快速实现图像读取与采集
LabVIEW图形化TensoRT工具包的安装下载分享
【YOLOv8】实战一：手把手教你使用YOLOv8实现实时目标检测)
【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战
👇技术交流 · 一起学习 · 咨询分享，请联系👇

本文链接：https://www.kjpai.cn/news/2024-04-24/161873.html，文章来源：网络cs，作者：付梓，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！