使用OpenCV DNN推理YOLOv5-CLS转换后的ONNX分类模型

YOLOv5是一种先进的目标检测算法，而YOLOv5-CLS则是YOLOv5的一个变种，专门用于图像分类任务。为了在实际应用中使用YOLOv5-CLS模型，我们需要将其转换为Open Neural Network Exchange (ONNX) 格式，并使用OpenCV DNN库来进行推理。

步骤1: 安装OpenCV和ONNX 首先，你需要确保已经安装了OpenCV和ONNX。可以通过以下命令来安装：

pip install opencv-python
pip install onnx

步骤2: 转换YOLOv5-CLS为ONNX格式 在这一步，我们将使用YOLOv5的官方代码库将YOLOv5-CLS模型转换为ONNX格式。请按照以下步骤进行操作：

1. 克隆YOLOv5的官方代码库：

   git clone https://github.com/ultralytics/yolov5.git
   

2. 进入yolov5目录，并下载预训练的YOLOv5-CLS模型权重：

   cd yolov5
   wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s6.pt
   

3. 运行export.py脚本来将模型转换为ONNX格式：

   python export.py --weights yolov5s6.pt --include onnx --img 640
   

   此步骤将生成一个名为'yolov5s6.onnx'的文件，这就是我们要使用的YOLOv5-CLS模型的ONNX版本。

   步骤3: 使用OpenCV DNN进行推理 现在，我们已经准备好进行推理了。下面是一个简单的示例代码，展示了如何使用OpenCV DNN库加载和运行YOLOv5-CLS模型：

   import cv2
   
   # 加载YOLOv5-CLS模型
   net = cv2.dnn.readNetFromONNX("yolov5s6.onnx")
   
   # 加载图像
   image = cv2.imread("test.jpg")
   
   # 创建blob并设置输入
   blob = cv2.dnn.blobFromImage(image, 1/255., (640, 640), swapRB=True)
   net.setInput(blob)
   
   # 进行推理
   output = net.forward()
   
   # 解析推理结果
   classes = open("coco.names").read().strip().split("\n")
   for detection in output[0, 0]:
       scores = detection[5:]
       class_id = np.argmax(scores)
       confidence = scores[class_id]
       if confidence > 0.5:
           label = f"{classes[class_id]}: {confidence:.2f}"
           print(label)
   
   # 显示图像
   cv2.imshow("Image", image)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   请注意，上述代码中我们假设已经有一个名为'test.jpg'的测试图像和一个包含类别名称的 'coco.names' 文件。

   结论: 本文介绍了如何使用OpenCV DNN库来进行YOLOv5-CLS模型的推理。我们首先将YOLOv5-CLS模型转换为ONNX格式，然后使用OpenCV DNN库加载和运行该模型进行图像分类。通过按照本文提供的步骤和示例代码，你可以轻松地在实际应用中使用YOLOv5-CLS模型进行图像分类任务。