前言

PP-YOLOE是百度基于其之前的PP-YOLOv2所改進(jìn)的卓越的單階段Anchor-free模型，超越了多種流行的YOLO模型。如何使用python進(jìn)行該模型的部署，官網(wǎng)已經(jīng)介紹的很清楚了，但是對于如何在LabVIEW中實(shí)現(xiàn)該模型的部署，筆者目前還沒有看到相關(guān)介紹文章，所以筆者在實(shí)現(xiàn)PP-YOLOE ONNX 在LabVIEW中的部署推理后，決定和各位讀者分享一下如何使用LabVIEW實(shí)現(xiàn)PP-YOLOE的目標(biāo)檢測。

一、什么是PP-YOLO

• PP-YOLOE官方代碼地址：https://github.com/PaddlePaddle/PaddleDetection
• PP-YOLOE論文地址：https://arxiv.org/pdf/2203.16250.pdf

PP-YOLOE是百度基于其之前的PP-YOLOv2所改進(jìn)的卓越的單階段Anchor-free模型，超越了多種流行的YOLO模型。PP-YOLOE，有更高的檢測精度且部署友好。
PP-YOLOE基于anchor-free的架構(gòu)，使用強(qiáng)大的backbone和neck，引入了CSPRepResStage，ET-head 和動(dòng)態(tài)標(biāo)簽分配算法TAL。針對不同應(yīng)用場景，提供了不同大小的模型。即s/m/l/x，可以通過width multiplier和depth multiplier配置。PP-YOLOE避免了使用諸如Deformable Convolution或者M(jìn)atrix NMS之類的特殊算子，以使其能輕松地部署在多種多樣的硬件上。

PP-YOLOE-l在COCO test-dev2017達(dá)到了51.6的mAP, 同時(shí)其速度在Tesla V100上達(dá)到了78.1 FPS。
PP-YOLOE提供了一鍵轉(zhuǎn)出 ONNX 格式，可順暢對接 ONNX 生態(tài)。本文主要實(shí)現(xiàn)百度PP-YOLOE ONNX 在LabVIEW上的部署推理。

二、環(huán)境搭建

1、部署本項(xiàng)目時(shí)所用環(huán)境

• 操作系統(tǒng)：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• AI視覺工具包：techforce_lib_opencv_cpu-1.0.0.73.vip
• onnx工具包：virobotics_lib_onnx_cuda_tensorrt-1.0.0.16.vip【1.0.0.16及以上版本】

2、LabVIEW工具包下載及安裝

• AI視覺工具包下載與安裝參考：
  https://blog.csdn.net/virobotics/article/details/123656523
• onnx工具包下載與安裝參考：
  https://blog.csdn.net/virobotics/article/details/124998746

三、模型的獲取與轉(zhuǎn)化

注意：本教程已經(jīng)為大家提供了PP-YOLOE的模型，可跳過本步驟，直接進(jìn)行步驟四-推理。若是想要了解PP-YOLO的onnx模型如何獲取，則可繼續(xù)閱讀本部分內(nèi)容。

PP-YOLOE并沒有直接提供onnx模型，但是我們可以通過paddle2onnx實(shí)現(xiàn)onnx模型的導(dǎo)出。

1、安裝paddle

• PPYOLO需要使用百度paddle框架，我們打開百度飛槳官網(wǎng)：https://www.paddlepaddle.org.cn/，在下方的快速安裝選擇適合自己版本的paddlepaddle

• cmd中執(zhí)行以下命令安裝：

python -m pip install paddlepaddle-gpu==2.3.1.post112 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html

2、安裝依賴的庫

• 從github上下載PaddleDetection并解壓到目錄，下載地址：https://github.com/PaddlePaddle/PaddleDetection ，將paddledetection根目錄添加到環(huán)境變量。
• 在PaddleDetection-release-2.4文件夾中打開cmd，輸入以下指令安裝需要的庫

pip3 install -U pip && pip3 install -r requirements.txt

3、安裝pycocotools

pip install pycocotools

若安裝pycocotools時(shí)遇到ERROR: Could not build wheels for pycocotools ……，則可以使用以下指令來安裝：

pip install pycocotools-windows

4、導(dǎo)出onnx模型

（1）導(dǎo)出推理模型

python tools/export_model.py -c configs/ppyoloe/ppyoloe_crn_l_300e_coco.yml --output_dir=output_inference -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams

（2） 安裝paddle2onnx

pip install paddle2onnx

（3） 轉(zhuǎn)換成onnx格式

paddle2onnx --model_dir output_inference/ppyoloe_crn_l_300e_coco --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 11 --save_file ppyoloe_crn_l_300e_coco.onnx

至此已成功導(dǎo)出PP-YOLOE ONNX模型

注意： ONNX模型目前只支持batch_size=1

四、在LabVIEW實(shí)現(xiàn)PP-YOLOE的部署推理

本項(xiàng)目整體的文件結(jié)構(gòu)如下圖所示，各位讀者可在文章末尾鏈接處下載整個(gè)項(xiàng)目源碼。

1、LabVIEW調(diào)用PP-YOLOE實(shí)現(xiàn)目標(biāo)檢測pp-yolox_main.vi

本例中使用LabvVIEW ONNX工具包中的Create_Session.vi載入onnx模型，可選擇使用cpu,cuda進(jìn)行推理加速。

（1）查看模型

我們可以使用netron 查看ppyoloe_crn_s_300e_coco.onnx的網(wǎng)絡(luò)結(jié)構(gòu)，瀏覽器中輸入鏈接：https://netron.app/，點(diǎn)擊Open Model，打開相應(yīng)的網(wǎng)絡(luò)模型文件即可。

查看模型屬性，可看到模型的輸入輸出如下圖所示:

我們發(fā)現(xiàn)，該模型有兩個(gè)輸入和兩個(gè)輸出，所以推理時(shí)候需要有兩個(gè)輸入，需要用到我們的多輸入處理vi，run.vi

• 可以看到圖片輸入大小為640x640
• 第一個(gè)輸出為8400x6[6分別為classese_id,cofidence,框]

（2）實(shí)現(xiàn)過程

• 讀取圖片并進(jìn)行圖像預(yù)處理(-1到1的歸一化)
  

• 初始化一個(gè)Vector_Value，新增兩個(gè)輸入tensor(圖片及scal_factor)
  

• 加載模型并選擇加速類型（cpu、CUDA、tensorRt）
  

• 實(shí)現(xiàn)多輸入推理
  

• 獲取第一層的輸出
  

• 進(jìn)行后處理
  

• 繪制檢測出的目標(biāo)及及置信度
  

（3）項(xiàng)目運(yùn)行

配置本項(xiàng)目所需環(huán)境。在文章末尾鏈接處下載整個(gè)項(xiàng)目源碼，將我們已經(jīng)轉(zhuǎn)化好的onnx模型放置到model文件夾中，打開pp_yolo_main.vi,在前面板中修改程序中加載的模型路徑為實(shí)際模型路徑，本項(xiàng)目中已經(jīng)將PP-YOLOE onnx模型【ppyoloe_crn_s_300e_coco.onnx】放置到了model文件夾中，如需其他模型，讀者也可自行放置到model文件及下，實(shí)現(xiàn)模型的加載。修改檢測圖片的路徑為實(shí)際圖片路徑，運(yùn)行程序，可得到目標(biāo)檢測的結(jié)果。

• 主程序源碼如下：
  

• 運(yùn)行結(jié)果如下：

大家也可以檢測其他圖片來測試檢測效果。

2、LabVIEW調(diào)用PP-YOLOE實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測ppyolo_camera.vi

實(shí)時(shí)檢測過程，我們可以選擇使用CUDA實(shí)現(xiàn)推理加速，整個(gè)程序的實(shí)現(xiàn)過程和加載圖片進(jìn)行檢測基本一致。

（1）LabVIEW調(diào)用PP-YOLOE實(shí)時(shí)目標(biāo)檢測源碼

（2）LabVIEW調(diào)用PP-YOLOE實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測結(jié)果

可以看到使用CUDA進(jìn)行推理加速，速度還是很快的。

五、完整項(xiàng)目下載鏈接

鏈接：https://blog.csdn.net/virobotics/article/details/126231434?spm=1001.2014.3001.5501

總結(jié)

以上就是今天要給大家分享的內(nèi)容。大家可根據(jù)鏈接下載相關(guān)源碼與模型。

如果有問題可以在評(píng)論區(qū)里討論，提問前請先點(diǎn)贊支持一下博主哦，如您想要探討更多關(guān)于LabVIEW與人工智能技術(shù)，歡迎加入我們的技術(shù)交流群：705637299。進(jìn)群請備注：LabVIEW機(jī)器學(xué)習(xí)

**如果文章對你有幫助，歡迎?關(guān)注、??點(diǎn)贊、?收藏