1. 首页首页
  2. 科技前沿科技前沿

pointnet++代码（pointer network原理和代码）

科技前沿 • • 阅读 46

pointnet++代码（pointer network原理和代码）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 Te nsoR T 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 virobo ti

大家好，我是讯享网，很高兴认识大家。



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/]
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/【YOLOv5】LabVIEW OpenCV dnn快速实现实时物体识别（Object Detection）https://blog.csdn.net/virobotics/article/details/【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/

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。

在这里插入图片描述
讯享网
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。

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

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]
在这里插入图片描述

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：
在这里插入图片描述
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

 

 
讯享网 

打开cmd，进入python环境，使用如下指令下载预训练模型：
 

讯享网
 

成功下载后如下图所示：
在这里插入图片描述
 

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）：
 

 

如下图所示为转化成功界面
在这里插入图片描述
 其中yolov5s可替换为yolov5myolov5myolov5lyolov5x
在这里插入图片描述
 

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

 

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）
在这里插入图片描述
 转换的完整程序如下：
在这里插入图片描述
 

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。
 

 

     
 
  1. 加载yolov5s.engine文件
    2.  
 
  2. 设置输入输出缓存
     • 输入大小为13640640
     • 输出大小为1    25200*85
    在这里插入图片描述
    3.  

 

     
 
  1. LetterBox
    2.  
 
  2. blobFromImage，包含如下步骤：
    3.  

 

讯享网
 

1.png
 

在这里插入图片描述
 

     
 
  1. 推荐使用数据指针作为输入给到run.vi
    2.  
 
  2. 数据的大小为13640*640
    在这里插入图片描述
    3.  

 

     
 
  1. 循环外初始化一个25200*85的二维数组
    2.  
 
  2. 此数组作为Get_Result的输入，另一个输入为index=0
    3.  
 
  3. 输出为25200*85的二维数组结果
    4.  

 

在这里插入图片描述
 

本范例中，后处理方式和使用onnx一样
 

在这里插入图片描述
 

在这里插入图片描述
 

1.png
 

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

     
 
  • 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
 

 
 
‍‍
 

 


                    


                    


                    

                        

                            

                                小讯
                            

                            

                                

                                    
                                        
                                    
                                

                            

                        

                    

                


                

                    
                    
                    

                        
                        

                             上一篇
                            2025-06-08 15:53
                        

                    

                    
                    


                    
                    
                    

                        
                        

                            下一篇 
                            2025-04-18 16:44
                        

                    

                    
                    
                


                

                    
相关推荐

                    
                

                

                    

                        版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/155937.html