当前位置： 首页 > wzjs >正文

建站经验 网站建设学院公关公司和广告公司的区别

wzjs 2025/9/16 4:42:32
建站经验 网站建设学院,公关公司和广告公司的区别,济南快速网站排名,直装模板源码目录 一、部署环境说明： 二、基于yolov8在自定义数据集上进行训练 三、基于TensorRT将onnx模型转为.engine 或者.trt格式的模型 四、基于VS2019生成动态链接库配置 五、基于Qt creator调用yolov模型实现检测 一、部署环境说明： 系统：wi…

目录

一、部署环境说明：

二、基于yolov8在自定义数据集上进行训练

三、基于TensorRT将onnx模型转为.engine 或者.trt格式的模型

四、基于VS2019生成动态链接库配置

五、基于Qt creator调用yolov模型实现检测

一、部署环境说明：

  1. 系统：win10专业版
  2. TensorRT版本：TensorRT-8.5.2.2
  3. OpneCV版本：OpenCV4.7.0
  4. ultralytics版本：ultralytics-8.3.88
  5. CUDA版本：11.7
  6. CUDNN版本：8.6.5
  7. QT Creator版本:16.0.1(QT 版本为6.8.3)

二、基于yolov8在自定义数据集上进行训练

（1）图像数据制作，标签制作

通常采用labelme标注工具进行数据标注，数据保存格式选择为yolo。

（2）模型训练

  1. 在Github上下载ultralytics，链接：GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀
  2. 使用anaconda 安装python虚拟环境。
  3. 在python虚拟环境中安装GPU版本的torch。注意安装的时候需要VPN翻墙安装，不要使用清华源，因为清华源没有GPU版本的torch。torch环境配置如下：

     4.使用pycharm 打开ultralytics工程文件，根目录下创建train,py文件，文件内容如下：

from ultralytics import YOLOif __name__ == '__main__':# Load a COCO-pretrained YOLOv8n modelmodel = YOLO("yolov8s.pt")results = model.train(data="Number.yaml", epochs=100, imgsz=640)#增加随机旋转

    5.训练模型的配置文件.yaml需要根据实际路径设置图像路径。

（3）模型转onnx模型

      转换代码如下：

from ultralytics import YOLO# Load a YOLOv8 model
model = YOLO("D:\\ultralytics-8.3.88\\runs\detect\\train1\\weights\\best.pt")
model.export(format="onnx", opset=12, dynamic=True, imgsz=640)

三、基于TensorRT将onnx模型转为.engine 或者.trt格式的模型

  1. 下载tensorRT，下载链接：TensorRT SDK | NVIDIA Developer
  2. 将下载后的文件进行解压，在系统环境中配置，如下图所示。

      3.进入tensorRT的bin目录下，并将onnx模型拷贝到bin目录下

      4.输入命令行代码，即可获得best.engine。

trtexec.exe --onnx=best.onnx --saveEngine=best.engine  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640

    四、基于VS2019生成动态链接库配置

    1. 新建一个动态链接库的工程项目。

       2.配置opencv，cuda, tenorRT的属性表

    （1）TensorRT配置表如下：

    附件依赖项：

    nvinfer.lib

    nvinfer_plugin.lib

    nvonnxparser.lib

    nvparsers.lib

    （2）OpenCV配置表如下：

    （3）CUDA配置表如下：

            直接拷贝CUDA安装目录下现成的文件，一般在CUDA的默认安装地址：

    C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\visual_studio_integration\MSBuildExtensions\CUDA 11.7.props

    (4)解决方案文件配置

    1. 下载TensorRT-Alpha，下载链接：TensorRT-alpha

         2.下载后解压TensorRT-Alpha

         3. 按照下图进行文件配置

    上图中红色圈中的为添加的现有文件，绿色圈的文件为新建的文件。其中utils中所有文件是从TensorRT-Alpha中直接拷贝过来，如图：

     其中源文件中的红色圈中的文件为yolov8文件夹中直接拷贝，如图所示：

    资源文件中文件为TensorRT-8.5.2.2文件夹中直接拷贝过来，如下图所示

    4.源文件项中新建的fuelpinhole.h文件的内容如下：

    #pragma once#define FUELPINHOLEINSP_API _declspec(dllexport)#include <iostream>#include <string>#include <vector>#include <algorithm>#include <random>#include <opencv2/opencv.hpp>    //opencv header file#include <chrono>#include"../utils/yolo.h"#include"yolov8.h"// 定义输出结构体typedef struct {float prob;cv::Rect rect;int classid;}Object;enum InputType {IMAGE,VIDEO,CAMERA};int total_batches = 0;int delay_time = 1;bool is_show = false;bool is_save = false;extern "C"{utils::InitParameter param;FUELPINHOLEINSP_API YOLOV8* LoadDetectPinHoleModel(const std::string& model_path, const std::string& file_path, const int& type, const int& cameraID);FUELPINHOLEINSP_API YOLOV8* LoadDetectPinHoleModel_v1(const std::string& model_path, int src_h, int src_w);FUELPINHOLEINSP_API bool YoloDetectPinHoleInfer(const cv::Mat& src, std::vector<Object>& vecObj, YOLOV8* model,bool isShow);void _setParameters(utils::InitParameter& initParameters);void _task(YOLOV8* yolo, const utils::InitParameter& param, std::vector<cv::Mat>& imgsBatch, const int& delayTime, const int& batchi,const bool& isShow, const bool& isSave, std::vector<Object>& vecObj);}

    5.源文件项中新建的fuelpinhole.cpp文件的内容如下：

    #include "../pch.h"#include "fuelpinholeinsp.h"void _setParameters(utils::InitParameter& initParameters){initParameters.class_names = utils::dataSets::fuelpinhole;initParameters.num_class = 1; //！！！！initParameters.batch_size = 1;initParameters.dst_h = 640;initParameters.dst_w = 640;initParameters.input_output_names = { "images",  "output0" };initParameters.conf_thresh = 0.25f;initParameters.iou_thresh = 0.45f;initParameters.save_path = "";}void _task(YOLOV8* yolo, const utils::InitParameter& param, std::vector<cv::Mat>& imgsBatch,const int& delayTime, const int& batchi, const bool& isShow, const bool& isSave, std::vector<utils::Box>& box){auto beforeTime = std::chrono::steady_clock::now();utils::DeviceTimer d_t0; yolo->copy(imgsBatch);       float t0 = d_t0.getUsedTime();utils::DeviceTimer d_t1; yolo->preprocess(imgsBatch);  float t1 = d_t1.getUsedTime();utils::DeviceTimer d_t2; yolo->infer();                float t2 = d_t2.getUsedTime();utils::DeviceTimer d_t3; yolo->postprocess(imgsBatch); float t3 = d_t3.getUsedTime();//sample::gLogInfo <<//  //"copy time = " << t0 / param.batch_size << "; "//  "preprocess time = " << t1 / param.batch_size << "; "//  "infer time = " << t2 / param.batch_size << "; "//  "postprocess time = " << t3 / param.batch_size << std::endl;std::vector<std::vector<utils::Box>> objectss = yolo->getObjectss();box = objectss[0];if (isShow) {utils::show(objectss, param.class_names, delayTime, imgsBatch, beforeTime);}if (isSave)utils::save(yolo->getObjectss(), param.class_names, param.save_path, imgsBatch, param.batch_size, batchi);yolo->reset();}YOLOV8* LoadDetectPinHoleModel_v1(const std::string& model_path,int src_h,int src_w){// set utils params //_setParameters(param);param.src_h = src_h;//应该是需要原始图像大小进行坐标转换param.src_w = src_w;YOLOV8* model = new YOLOV8(param);std::vector<unsigned char> trt_file = utils::loadModel(model_path);if (trt_file.empty()){sample::gLogError << "trt_file is empty!" << std::endl;return nullptr;}// init modelif (!model->init(trt_file)){sample::gLogError << "initEngine() ocur errors!" << std::endl;return nullptr;}model->check();return model;}YOLOV8* LoadDetectPinHoleModel(const std::string& model_path, const std::string& file_path, const int& type, const int& cameraID){// set utils params //_setParameters(param);// sourceutils::InputStream source;// pathstd::string video_path;std::string image_path;// camera' idint camera_id = 0;switch (type){case InputType::IMAGE:source = utils::InputStream::IMAGE;image_path = file_path;break;case InputType::VIDEO:source = utils::InputStream::VIDEO;video_path = file_path;break;case InputType::CAMERA:source = utils::InputStream::CAMERA;camera_id = 0;break;default:break;}// input paramsint delay_time = 1; // w or hint total_batches = 1;cv::VideoCapture capture, capture1;// set input paramsif (!utils::setInputStream(source, image_path, video_path,camera_id, capture, total_batches, delay_time, param)){sample::gLogError << "read the input data errors!" << std::endl;return nullptr;}// build and read modelYOLOV8* model = new YOLOV8(param);std::vector<unsigned char> trt_file = utils::loadModel(model_path);if (trt_file.empty()){sample::gLogError << "trt_file is empty!" << std::endl;return nullptr;}// init modelif (!model->init(trt_file)){sample::gLogError << "initEngine() ocur errors!" << std::endl;return nullptr;}model->check();return model;}bool YoloDetectPinHoleInfer(const cv::Mat& src, std::vector<Object>& vecObj, YOLOV8* model,bool isShow){std::vector<cv::Mat> imgs_batch;imgs_batch.reserve(param.batch_size);imgs_batch.emplace_back(src.clone());std::vector<utils::Box> box;_task(model, param, imgs_batch, delay_time, 0, isShow, is_save, box);for (auto b : box){Object tmp;tmp.classid = b.label;tmp.prob = b.confidence;int x = (int)(b.left + b.right) / 2.;int y = (int)(b.top + b.bottom) / 2.;int w = (int)(b.right - b.left);int h = (int)(b.bottom - b.top);tmp.rect = cv::Rect(x, y, w, h);vecObj.emplace_back(tmp);}return true;}

     6.通过utils.cpp和utils.h中可以修改模型的类别名称，类别数量，显示颜色配置

     7.通过项目的生成依赖项->生成自定义 选择CUDA ，如下图所示

    8.选择.cu文件，右键选择属性，项类型选CUDA C/C++

    9.设置预编译头

    10.建议禁用代码安全检查

    11.最后点击生成解决方案，在debug中生成dll，和lib库文件。

    五、基于Qt creator调用yolov模型实现检测

    （1）使用QT creator创建工程项目

    （2）创建include文件夹，将动态链接库中属性表中的包含头文件（tensorRT，CUDA）的内容全部拷贝进来。创建lib库，同样将动态链接库中属性表中的库文件拷贝进来。

    （3）将配置动态链接库时的添加的utils,yolo文件都拷贝到这个工程里面。

    （4）将生成的.engine模型文件拷贝到qt工程目录下。

    （5）配置QT的pro文件，如下：

    INCLUDEPATH += D:/opencv/build/includeDEPENDPATH += D:/opencv/build/includeINCLUDEPATH += $$PWD/includeDEPENDPATH += $$PWD/includewin32:CONFIG(release, debug|release): LIBS += -LD:/opencv/build/x64/vc16/lib/ -lopencv_world470else:win32:CONFIG(debug, debug|release): LIBS += -LD:/opencv/build/x64/vc16/lib/ -lopencv_world470dLIBS += -L$$PWD/lib/ -lfuelpinholeInspLIBS += -L$$PWD/lib/ -lcudadevrtLIBS += -L$$PWD/lib/ -lcudartLIBS += -L$$PWD/lib/ -lnvinferLIBS += -L$$PWD/lib/ -lnvinfer_pluginLIBS += -L$$PWD/lib/ -lnvonnxparserLIBS += -L$$PWD/lib/ -lnvparsers

    （6）添加动态链接库的头文件fuelpinholeinsp.h

    #pragma once#define FUELNOZZLEINSP_API _declspec(dllexport)#include <iostream>#include <string>#include <vector>#include <algorithm>#include <random>#include <opencv2/opencv.hpp>    //opencv header file#include <utils/yolo.h>#include <src/yolov8.h>using namespace cv;using namespace std;// 定义输出结构体typedef struct {float prob;cv::Rect rect;int classid;}Object_nozzle;extern "C"{FUELNOZZLEINSP_API YOLOV8* LoadDetectNozzleModel(const std::string& model_path, const std::string& file_path, const int& type, const int& cameraID);FUELNOZZLEINSP_API YOLOV8* LoadDetectNozzleModel_v1(const std::string& model_path,int src_h,int src_w);FUELNOZZLEINSP_API bool YoloDetectNozzleInfer(const cv::Mat& src, std::vector<Object_nozzle>& vecObj, YOLOV8* model,bool isShow);}

    头文件名称不重要，重要的是头文件中的#define FUELNOZZLEINSP_API _declspec(dllexport)声明。

    （7）将生成的动态链接库lib放在lib中，将dll放在exe的同目录下。

    （8）编写mainwindow.h文件

           在mainwindow.h中定义如下：
     

    private:Ui::MainWindow *ui;YOLOV8* model_pinhole;

    （9）在mainwindow.cpp中添加代码

    //初始化模型，图像大小
string eName_Detect_pinhole =”d:\\best.engine”;model_pinhole = LoadDetectPinHoleModel_v1(eName_Detect_pinhole,975,892);//指定输入图像的大小，h,w，注意设置的图像大小，和用来测试的图像大小必须保持一致。//调用模型进行识别vector<Object_pinhole> vecObj = {};cv::Mat frame = cv::imread("D:\\data\\test.png");bool InferDetectflag = YoloDetectPinHoleInfer(frame, vecObj, model_pinhole,true);
//最后一个标志位可设置是否显示弹窗画面

    （10）qmake编译，后运行程序，即可看到弹出的识别结果。注意初始化设置的图像大小，和用来测试的图像大小必须保持一致。

    参考链接如下：
    YOLOV8+TensorRT8.6.1.6+Win10+QT5.9.9推理部署（打包为dll）_yolov8的tensorrt推理封装为dll-CSDN博客

    部署实战 | 手把手教你在Windows下用TensorRT部署YOLOv8_yolov8 tensorrt部署-CSDN博客


    文章转载自：

    http://fPEvXGQZ.mfzyn.cn
    http://DGxjHo4p.mfzyn.cn
    http://UEUOGPi0.mfzyn.cn
    http://O7OwZxOf.mfzyn.cn
    http://RD5gkIMH.mfzyn.cn
    http://XMeapvPK.mfzyn.cn
    http://vPnf19Cu.mfzyn.cn
    http://gxe0moWh.mfzyn.cn
    http://ZY64ltnU.mfzyn.cn
    http://OVcAZl9C.mfzyn.cn
    http://5qcXjHYf.mfzyn.cn
    http://bcSWl2vZ.mfzyn.cn
    http://Aji8GIiF.mfzyn.cn
    http://k94UizdX.mfzyn.cn
    http://BBn11114.mfzyn.cn
    http://XT1lv16z.mfzyn.cn
    http://loDQIIjt.mfzyn.cn
    http://lrWDP2KJ.mfzyn.cn
    http://xt2XaEnO.mfzyn.cn
    http://P5XLTvts.mfzyn.cn
    http://7sJWG7Hg.mfzyn.cn
    http://D1Ccf0KB.mfzyn.cn
    http://xMx81X3S.mfzyn.cn
    http://ZFRYP2uG.mfzyn.cn
    http://J1UNkfNq.mfzyn.cn
    http://2xHxAjM4.mfzyn.cn
    http://NVClSEe4.mfzyn.cn
    http://iADQczvj.mfzyn.cn
    http://gcbX57Ex.mfzyn.cn
    http://T0L937tX.mfzyn.cn
    http://www.dtcms.com/wzjs/750594.html

    相关文章：

  1. 网站彩票怎么做国外设计师wordpress主题
  2. 淄博网站的优化广西网站建设路
  3. 一个网站多久能做完学校网站管理与建设办法
  4. 小程序要先做网站福田欧曼故障灯大全
  5. 刘金鹏做网站做ppt兼职网站
  6. 上海seo网站设计网站开发实现编码
  7. 免费注册网站域名高档网站建设
  8. 做网站找公司怎么找手机开发网站怎么做
  9. 郑州营销型网站设计做网站 蓝洋
  10. 网站如何优化流程如何做一个论坛网站
  11. 西青网站开发上海黄浦 网站建设
  12. 网站设计就业岗位分析线上营销活动有哪些
  13. 网站开发对cpu要求高吗英语作文模板高中
  14. 网站搭建规划模板app的制作费用
  15. 免费网站自助建站手机报价
  16. 计算机 网站开发 文章做兼职用哪个网站好
  17. 网站关键词选取的步骤郑州it培训机构
  18. 免费建立小程序网站东莞代码网站建设
  19. 怎么备份网站数据库网站搭建的步骤
  20. 宁乡电商网站建设报价视频网站 flash h5
  21. 一家专门做爆品印刷的网站西安蓝海网站建设
  22. 北京网站建设网网易梦幻西游手游官方网站下载
  23. 赣州网站建设 赣州网页设计宣传彩页设计
  24. 天然气公司的网站应该怎么做互联网舆情监测中心
  25. 云主机网站的空间在哪里看青海省建设工程造价网站
  26. 焦作做微信网站多少钱网站统计代码怎么添加
  27. 网站下拉菜单重叠小说网站防盗做的好
  28. 广州专业的网站建设公司哪家好wordpress自定义栏目是什么
  29. 沈阳建设网站建站网站建站实训总结
  30. 在网上那里能接单做网站广东模板网站建设