YOLOX目标检测实战：LabVIEW+YOLOX ONNX模型实现推理检测（含源码）

目录

• 前言
• 一、什么是YOLOX
• 二、环境搭建
  • 1、部署本项目时所用环境：
  • 2、LabVIEW工具包下载及安装：
• 三、模型的获取与转化【推荐方式一】
  • 1、方式一：直接在官网下载yolox的onnx模型
  • 2、方式二：将标准模型pth转化为onnx（较为复杂）
  • 3、获取onnx模型总结
• 四、LabVIEW实现YOLOX ONNX推理检测
  • 1、LabVIEW调用yolox onnx模型实现目标检测yolox.vi
    • （1）查看模型
    • （2）LabVIEW调用YOLOX源码
    • （3）LabVIEW调用YOLOX实现目标检测结果
  • 2、LabVIEW调用yolox onnx模型实现实时目标检测yolovx_camera.vi
    • （1）LabVIEW调用YOLOX实时目标检测源码
    • （2）LabVIEW调用YOLOX实现实时目标检测结果
• 五、源码及模型下载
• 总结

---

前言

好长一段时间没更博了，没更新博客的这段时间博主都有在努力产出，前段时间好多朋友私信问我说自己的yolov5模型是比较老的版本，使用LabVIEW推理的时候会报错。为各位朋友新老版本都能兼容，博主这段时间做了一个LabVIEW YOLOv5的插件，里面包含了大部分的新旧版本，老版本的朋友们也可以愉快的使用LabVIEW来实现推理了。等后面整理好了分享给大家。今天我们先一起来看一下如何使用LabVIEW实现yolox的目标检测。

---

一、什么是YOLOX

LabVIEW实现YOLOX目标检测

• YOLOX官方代码：https://github.com/Megvii-BaseDetection/YOLOX
• YOLOX论文：https://arxiv.org/abs/2107.08430

YOLOX是旷视科技开源的高性能实时目标检测网络，旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合，提出了 YOLOX，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。如下图：

YOLOX提供了支持 ONNX、TensorRT、NCNN 和 Openvino 的部署版本。今天我们主要针对YOLOX 的ONNX在LabVIEW中实现部署推理。

---

二、环境搭建

1、部署本项目时所用环境：

• 操作系统：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.73.vip
• onnx工具包：virobotics_lib_onnx_cuda_tensorrt-1.0.0.12.vip【不使用cuda或者tensorrt加速的话也可以使用：virobotics_lib_onnx_cpu-1.0.0.13.vip】

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/123656523
• onnx工具包下载与安装参考：
  
  https://blog.csdn.net/virobotics/article/details/124998746

---

三、模型的获取与转化【推荐方式一】

下面我们来介绍两种模型获取的方式(以yoloxs为例，想要获取其他模型的方式也一样，只需要修改名字即可)

1、方式一：直接在官网下载yolox的onnx模型

下载具体地址如下：https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntime



下载对应版本模型的weights，点击github即可下载onnx模型。

2、方式二：将标准模型pth转化为onnx（较为复杂）

1、安装YOLOX

在https://github.com/Megvii-BaseDetection/YOLOX中下载yolox源码并解压，在YOLOX-main文件夹中打开cmd，输入以下指令安装需要的库及yolox：

pip3 install -U pip && pip3 install -r requirements.txt
python3 setup.py develop

2、安装pycocotools

pip install pycocotools

！！！注：若安装pycocotools时遇到ERROR: Could not build wheels for pycocotools ……，则使用以下指令来安装：

pip install pycocotools-windows

3、从基准表下载标准预训练模型：https://github.com/Megvii-BaseDetection/YOLOX



将yolox_s.pth模型放置到如下路径:



4、将标准模型pth转化为onnx

运行以下指令实现模型的转换

python3 tools/export_onnx.py --output-name yolox_s.onnx -n yolox-s -c yolox_s.pth

也可使用如下指令转化自己的模型：

#通过 -f 转换标准 YOLOX 模型。使用 -f 时，上述命令等价于：
python3 tools/export_onnx.py --output-name yolox_s.onnx -f exps/default/yolox_s.py -c yolox_s.pth
# 要转换您的自定义模型，请使用 -f：
python3 tools/export_onnx.py --output-name your_yolox.onnx -f exps/your_dir/your_yolox.py -c your_yolox.pth

输出如下，得到yolox_s.onnx

3、获取onnx模型总结

通过对比我们会发现，先下载标准模型，再转换为onnx模型比较麻烦，需要配置很多环境，如果只是想要实现YOLOX的推理，则可以使用方式一，直接在官网下载对应的模型即可。但是如果想要转换自己训练好的onnx模型，则可采用第二种方式，将训练好的pth转化为onnx。

---

四、LabVIEW实现YOLOX ONNX推理检测

将我们的onnx模型放置到model文件夹中，修改程序中加载的模型，本项目中已经下载好了yolox_s.onnx和yolox_m.onnx两种模型，如需其他模型，读者也可自行放置到model文件夹下，实现模型的加载。

1、LabVIEW调用yolox onnx模型实现目标检测yolox.vi

本例中使用LabvVIEW ONNX工具包中的Create_Session.vi载入onnx模型，可选择使用cpu,cuda,tensorRT进行推理加速。【若安装的是onnx cpu版，则只可使用cpu推理加速】

（1）查看模型

我们可以使用netron 查看yolov5m.onnx的网络结构，浏览器中输入链接：https://netron.app/，点击Open Model，打开相应的网络模型文件即可。



如下图所示是转换之后的yolox_s.onnx的属性：



可以看到图片输入大小为640640

输出为18400*85

（2）LabVIEW调用YOLOX源码

如下图所示，加载模型及图片实现目标检测

（3）LabVIEW调用YOLOX实现目标检测结果

本程序运行时，加载模型为：yolox_s.onnx,实际运行时需要修改图片路径为实际路径，否则会报错。



运行结果如下：



大家也可以检测其他图片来测试检测效果。

2、LabVIEW调用yolox onnx模型实现实时目标检测yolovx_camera.vi

实时检测过程，我们可以选择使用CUDA或者tensorRT实现推理加速，我们发现相同环境下，yolox的实时检测速度和精度都比其他的yolo模型要更好。

（1）LabVIEW调用YOLOX实时目标检测源码

（2）LabVIEW调用YOLOX实现实时目标检测结果

可以看到使用CUDA进行推理加速，速度还是很快的。大家也可以使用tensorRT进行推理加速。

---

五、源码及模型下载

链接：https://pan.baidu.com/s/1FMRH1F3DSKTQBiuB3Ofe3Q?pwd=8cnf

总结

以上就是今天要给大家分享的内容。大家可根据链接下载相关源码与模型。

如果有问题可以在评论区里讨论，提问前请先点赞支持一下博主哦，如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的705637299。

**如果文章对你有帮助，欢迎关注、点赞、收藏