极验图标识别-推理速度的优化(10ms)

唠叨

奈何市场上的点选模型太贵，那就自己学python开始做模型吧，其实关于目标检测的文章一搜一大堆，从yolov3、v4、v5、vx、v7都有尝试过，不过知识有限，cnn也不懂，也没gpu环境，只能从cpu推理越快越好，业务角度出发，找一个成品的网络，推理速度在自己的接受范围就好，从yolox(.pth/100ms)–>yolox(.onnx/30ms)，再到目前使用的yolo-fastestv2(onnx/10ms)

关于yolo-fastestV2

虽然coco数据集上map只达到了24，但是咱们类别少啊，主要是这个速度是真的香，满足咱们不会手写网络还能快速的要求。
模型更详细的介绍我这样就不复制了，从GitHub上下载代码，项目的README.md里有详细介绍

训练自己的模型

首先准备数据集，数据集的格式README有介绍，如果没有数据集和不知道数据集怎么弄的话，标注工具：labellmg

anchors

配置好train.txt,执行genanchors.py，获取的结果复制到下一步

配置文件 coco.data

复制一份文件、
修改classes=（自己类别的数量）
anchors=上一步的结果
[data-configure] 指定好自己的目录

训练代码

代码的话可能会有一处改动，我在训练过程中报错了 utils.loss.py中119行
修改前

indices.append((b, a, gj.clamp_(0, gain[3] - 1), gi.clamp_(0, gain[2] - 1)))  # image, anchor, grid indices

修改后

indices.append((b, a, gj.clamp_(0, int(gain[3] - 1)), gi.clamp_(0, int(gain[2] - 1))))  # image, anchor, grid indices

就可以执行 train.py，进行训练了，我自己731张数据集，使用m2Cpu训练了150批次就拿来使用了，训练完成的文件放在weights下，可以执行test.py进行测试。
测试可用后，执行 转 onnx.py，接下来再用 ONNXRuntime进行推理就可以了