跳到主要内容

YOLOX

YOLOX​

本教程介绍如何在 LicheePi 4A 上部署 YOLOX 目标检测模型，并使用 HHB-onnxruntime 实现高效推理。

初始环境配置

在按照本教程操作前，请确保你已经完成了环境配置部分的内容。

示例代码获取​

本教程配套的示例代码已更新到 Github 中，使用 git 命令将其克隆到本地。

$ git clone https://github.com/zhangwm-pt/lpi4a-example.git

适用于本教程的代码位于 detection/yolox 目录下。

模型获取​

我们使用的模型来自 Megvii-BaseDetection/YOLOX，可以通过以下命令下载 YOLOX 模型：

$ git clone https://github.com/Megvii-BaseDetection/YOLOX.git
$ cd YOLOX/demo/ONNXRuntime
$ wget https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx
关于 Github 的网络代理

如果你在中国大陆访问 GitHub 时遇到网络问题，可以考虑使用网络代理工具来加速访问。

修改源码​

修改文件 demo/ONNXRuntime/onnx_inference.py 的开头，新增如下所示的第四和第五行代码

#!/usr/bin/env python3
# Copyright (c) Megvii, Inc. and its affiliates.

+import sys
+sys.path.insert(0, "../../")

import argparse
import os

代码中使用 sys.path.insert 指定搜索路径，以此免去从源码中安装 YOLOX 的安装包的操作。

环境准备​

本教程中的 YOLOX 示例依赖了较多的 python 包，下载预编译好的 python 包

$ git clone -b python3.11 https://github.com/zhangwm-pt/prebuilt_whl.git
$ cd prebuilt_whl

或者也可以通过手动下载进行处理

$ pip3 install numpy-1.25.0-cp311-cp311-linux_riscv64.whl
$ pip3 install opencv_python-4.5.4+4cd224d-cp311-cp311-linux_riscv64.whl
$ pip3 install kiwisolver-1.4.4-cp311-cp311-linux_riscv64.whl
$ pip3 install Pillow-9.5.0-cp311-cp311-linux_riscv64.whl
$ pip3 install matplotlib-3.7.2.dev0+gb3bd929cf0.d20230630-cp311-cp311-linux_riscv64.whl
$ pip3 install pycocotools-2.0.6-cp311-cp311-linux_riscv64.whl
$ pip3 install loguru-0.7.0-py3-none-any.whl
$ pip3 install MarkupSafe-2.1.3-cp311-cp311-linux_riscv64.whl
$ pip3 install torch-2.0.0a0+gitc263bd4-cp311-cp311-linux_riscv64.whl
$ pip3 install torchvision-0.15.1a0-cp311-cp311-linux_riscv64.whl
$ pip3 install psutil-5.9.5-cp311-abi3-linux_riscv64.whl
$ pip3 install tqdm-4.65.0-py3-none-any.whl
$ pip3 install tabulate-0.9.0-py3-none-any.whl

安装过程中会涉及到其他纯 python 依赖包，pip 会自动从官方源下载。

推理执行​

在示例目录中执行 onnx_inference.py 示例

$ python3 onnx_inference.py -m yolox_s.onnx -i ../../assets/dog.jpg -o outdir -s 0.7 --input_shape 640,640
关于参数
  • -m：指定模型文件
  • -i：输入图片路径
  • -o：输出结果目录
  • -s：检测阈值
  • --input_shape：输入图像尺寸

参考结果​

本教程中输入如下图，0.7的阈值下，预期 YOLOX 的检测结果如下。

输入图像

示例正常执行后，会在 outdir 目录下生成结果图片 dog.jpg。图片中会用框画出检测到的目标，并标注概率，效果如下图：

检测结果

检测到两个人和一个足球。