轉(zhuǎn)換并使用 YOLOv11 目標(biāo)檢測(cè)模型（ONNX格式）
在本文中，我們將探討如何使用任何預(yù)訓(xùn)練或自定義的YOLOv11目標(biāo)檢測(cè)模型，并將其轉(zhuǎn)換為一種廣泛使用的開放格式——ONNX（開放神經(jīng)網(wǎng)絡(luò)交換）。使用這種格式的優(yōu)勢(shì)在于，它可以在多種編程語(yǔ)言中部署，而不依賴于官方的Ultralytics模塊。
在這篇文章中，我將使用官方提供的YOLOv11n模型作為示例，但該方法同樣適用于任何轉(zhuǎn)換為ONNX格式的自定義YOLOv11模型。
首先，我們需要將訓(xùn)練好的.pt格式模型轉(zhuǎn)換為ONNX格式，使用以下代碼：
from ultralytics import YOLO
model_path = 'path/to/yolov11n.pt'
model = YOLO(model_path)
model.export(format='onnx', opset = 12, imgsz =[640,640])在運(yùn)行上述代碼之前，請(qǐng)確保已經(jīng)安裝了`ultralytics`模塊。一旦生成了ONNX文件，我們可以定義模型能夠檢測(cè)的所有類別。在我的例子中，這是基于COCO數(shù)據(jù)集預(yù)訓(xùn)練的模型，能夠識(shí)別80個(gè)類別。
with open('coco-classes.txt') as file:
content = file.read()
classes = content.split('\n')
del classes[-1]
print(classes) # Let's print classes list執(zhí)行上述代碼片段后，輸出如下：
['person', 'bicycle', 'car', 'motorbike', 'aeroplane', 'bus', 'train', 'truck', 'boat', 'traffic light', 'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow', 'elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee', 'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard', 'tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple', 'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'sofa', 'pottedplant', 'bed', 'diningtable', 'toilet', 'tvmonitor', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone', 'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear', 'hair drier', 'toothbrush']為了進(jìn)行推理，我們可以使用OpenCV讀取圖像：
# 讀取圖像
image = cv2.imread('bicycle.jpg')
# 轉(zhuǎn)成RGB格式進(jìn)行輸入
img = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
img_height,img_width = img.shape[:2]由于OpenCV以BGR格式讀取圖像，而YOLO期望的是RGB格式，因此我們將圖像轉(zhuǎn)換為RGB格式，并存儲(chǔ)圖像的尺寸以備后用。但這還不是全部！在YOLO發(fā)揮作用之前，還需要進(jìn)行一些額外的圖像處理。讓我們看一下圖像的形狀。
print(img.shape)(420, 620, 3)我們的圖像是一個(gè)3通道的RGB圖像，寬度和高度分別為620和420。相比之下，YOLOv8模型期望的圖像尺寸為(640, 640)，并且通道信息位于圖像尺寸之前。
# resize image to get the desired size (640,640) for inference
img = cv2.resize(img,(640,640))
# change the order of image dimension from (640,640,3) to (3,640,640)
img = img.transpose(2,0,1)最后，為了將圖像提供給DNN模塊，我們需要在第0個(gè)索引處添加一個(gè)額外的維度，以告訴模塊我們一次提供了多少?gòu)垐D像。此外，我們的圖像像素范圍是0到255。在推理之前，必須將它們縮放到0到1的范圍。
# add an extra dimension at index 0
img = img.reshape(1,3,640,640)
# scale to 0-1
img = img/255.0現(xiàn)在，我們的圖像已經(jīng)準(zhǔn)備好進(jìn)行推理了。要使用ONNX模型運(yùn)行推理，我們可以使用DNN模塊中的`readNetFromONNX()`或`readNet()`方法。
# read the trained onnx model
net = cv2.dnn.readNetFromONNX('yolov8n.onnx') # readNet() also works
# feed the model with processed image
net.setInput(img)
# run the inference
out = net.forward()運(yùn)行推理后，我們獲得一個(gè)包含模型預(yù)測(cè)的輸出矩陣，如上代碼所示。為了理解如何提取其中的有價(jià)值信息，讓我們首先打印這個(gè)輸出矩陣的形狀。
print(out.shape)(1, 84, 8400)輸出矩陣的形狀為(1, 84, 8400)，表示8400個(gè)檢測(cè)，每個(gè)檢測(cè)有84個(gè)參數(shù)。這是因?yàn)槲覀兊腨OLOv8模型被設(shè)計(jì)為始終預(yù)測(cè)圖像中的8400個(gè)對(duì)象。需要注意的是，并非所有檢測(cè)都是準(zhǔn)確的，我們稍后需要根據(jù)置信度分?jǐn)?shù)進(jìn)行過濾。這里的84對(duì)應(yīng)于每個(gè)檢測(cè)的參數(shù)數(shù)量，包括邊界框坐標(biāo)(x1, y1, x2, y2)和80個(gè)不同類別的置信度分?jǐn)?shù)。
對(duì)于自定義模型，這個(gè)結(jié)構(gòu)可能會(huì)有所不同。置信度分?jǐn)?shù)的數(shù)量取決于模型訓(xùn)練的類別數(shù)量。例如，如果YOLOv8被訓(xùn)練為檢測(cè)1個(gè)類別，那么將只有5個(gè)參數(shù)而不是84個(gè)。對(duì)于2個(gè)類別，第一個(gè)索引處將有6個(gè)參數(shù)，依此類推。我們可以簡(jiǎn)單地刪除第0個(gè)索引處的1，因?yàn)樗皇歉嬖V模型正在處理單個(gè)圖像。
results = out[0]現(xiàn)在，我們將矩陣轉(zhuǎn)置以獲得形狀為(8400, 84)的矩陣，以便于操作。
results = results.transpose()如上所述，每個(gè)檢測(cè)都包括每個(gè)類別的置信度分?jǐn)?shù)。為了確定對(duì)象或檢測(cè)最可能屬于哪個(gè)類別，我們只需找到具有最高置信度分?jǐn)?shù)的類別。此外，為了去除所有置信度低于給定閾值的檢測(cè)，我們可以使用以下函數(shù)：
def filter_Detections(results, thresh = 0.5):
# if model is trained on 1 class only
if len(results[0]) == 5:
# filter out the detections with confidence > thresh
considerable_detections = [detection for detection in results if detection[4] > thresh]
considerable_detections = np.array(considerable_detections)
return considerable_detections
# if model is trained on multiple classes
else:
A = []
for detection in results:
class_id = detection[4:].argmax()
confidence_score = detection[4:].max()
new_detection = np.append(detection[:4],[class_id,confidence_score])
A.append(new_detection)
A = np.array(A)
# filter out the detections with confidence > thresh
considerable_detections = [detection for detection in A if detection[-1] > thresh]
considerable_detections = np.array(considerable_detections)
return considerable_detections一旦我們通過排除無用參數(shù)獲得了有用的結(jié)果，我們可以打印形狀以更好地理解結(jié)果。
print(results.shape)(45, 6)看起來現(xiàn)在我們有了45個(gè)檢測(cè)，每個(gè)檢測(cè)有6個(gè)參數(shù)。它們是邊界框的左上角(x1, y1)和右下角(x2, y2)坐標(biāo)、類別ID和置信度值。在我們繼續(xù)之前，讓我們看一下我運(yùn)行推理的圖片。
看著這張圖片，人們很容易看出這張圖片中并沒有45個(gè)對(duì)象。我們的結(jié)果矩陣仍然包含這么多檢測(cè)的原因是因?yàn)槎鄠€(gè)檢測(cè)指向同一個(gè)對(duì)象。為了解決這個(gè)問題，我們可以應(yīng)用一種眾所周知的技術(shù)，稱為非最大抑制（NMS）。NMS充當(dāng)過濾器，選擇那些可能指向同一對(duì)象的最佳檢測(cè)。它通過考慮兩個(gè)關(guān)鍵指標(biāo)來實(shí)現(xiàn)這一點(diǎn)：置信度值（模型對(duì)檢測(cè)的確定性）和交并比（IOU）。
此外，我們還需要將剩余的檢測(cè)結(jié)果重新縮放到原始比例。這是因?yàn)槲覀兊哪Ｐ洼敵龅臋z測(cè)結(jié)果是針對(duì)640x640大小的圖像，而不是我們?cè)紙D像的大小。
def NMS(boxes, conf_scores, iou_thresh = 0.55):
# boxes [[x1,y1, x2,y2], [x1,y1, x2,y2], ...]
x1 = boxes[:,0]
y1 = boxes[:,1]
x2 = boxes[:,2]
y2 = boxes[:,3]
areas = (x2-x1)*(y2-y1)
order = conf_scores.argsort()
keep = []
keep_confidences = []
while len(order) > 0:
idx = order[-1]
A = boxes[idx]
conf = conf_scores[idx]
order = order[:-1]
xx1 = np.take(x1, indices= order)
yy1 = np.take(y1, indices= order)
xx2 = np.take(x2, indices= order)
yy2 = np.take(y2, indices= order)
keep.append(A)
keep_confidences.append(conf)
# iou = inter/union
xx1 = np.maximum(x1[idx], xx1)
yy1 = np.maximum(y1[idx], yy1)
xx2 = np.minimum(x2[idx], xx2)
yy2 = np.minimum(y2[idx], yy2)
w = np.maximum(xx2-xx1, 0)
h = np.maximum(yy2-yy1, 0)
intersection = w*h
# union = areaA + other_areas - intesection
other_areas = np.take(areas, indices= order)
union = areas[idx] + other_areas - intersection
iou = intersection/union
boleans = iou < iou_thresh
order = order[boleans]
# order = [2,0,1] boleans = [True, False, True]
# order = [2,1]
return keep, keep_confidences
def rescale_back(results,img_w,img_h):
cx, cy, w, h, class_id, confidence = results[:,0], results[:,1], results[:,2], results[:,3], results[:,4], results[:,-1]
cx = cx/640.0 * img_w
cy = cy/640.0 * img_h
w = w/640.0 * img_w
h = h/640.0 * img_h
x1 = cx - w/2
y1 = cy - h/2
x2 = cx + w/2
y2 = cy + h/2
boxes = np.column_stack((x1, y1, x2, y2, class_id))
keep, keep_confidences = NMS(boxes,confidence)
print(np.array(keep).shape)
return keep, keep_confidences其中，`rescaled_results`包含邊界框(x1, y1, x2, y2)和類別ID，而`confidences`存儲(chǔ)相應(yīng)的置信度分?jǐn)?shù)。最后，我們準(zhǔn)備在圖像上可視化這些結(jié)果。
for res, conf in zip(rescaled_results, confidences):
x1,y1,x2,y2, cls_id = res
cls_id = int(cls_id)
x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)
conf = "{:.2f}".format(conf)
# draw the bounding boxes
cv2.rectangle(image,(int(x1),int(y1)),(int(x2),int(y2)),(255,0,255),1)
cv2.putText(image,classes[cls_id]+' '+conf,(x1,y1-17),
cv2.FONT_HERSHEY_SCRIPT_COMPLEX,1,(255,0,255),1)
