YOLO5 V6.1 易语言部署识别

z13228604287

对于https://github.com/ultralytics/yolov5 在更新的v6.1版本的

使用易语言部署yolov5-v6.1目标检测，支持yolov5s，yolov5m，yolov5l，yolov5n，yolov5x， yolov5s6，yolov5m6，yolov5l6，yolov5n6，yolov5x6的十种结构的yolov5-v6.1
测试模型地址是：
链接：https://pan.baidu.com/s/1VSYkILerRQsoDiIhl-6eTQ?pwd=4ypk
在这里特别讲解一下转换生成onnx文件的方法，首先下载yolov5-v6.1的源码和模型.pt文件之后，在程序主目录里，打开models/yolo.py，进入到Detect类的forward函数里，插入代码，示例截图如下：


插入的代码片段是：

[Python] 纯文本查看 复制代码

        if torch.onnx.is_in_onnx_export():
            for i in range(self.nl):  # 分别对三个输出层处理
                x = self.m(x)  # conv
                bs, _, ny, nx = x.shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
                x = x.view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
                y = x.sigmoid()
                z.append(y.view(bs, -1, self.no))
            return torch.cat(z, 1)

不过需要注意的是，y = x.sigmoid()这一步并不是必须的，例如在yolov5车牌检测项目里，4个关键点的x, y值没有做sigmoid()
接下来，尝试运行python export.py --weights=yolov5s.pt --include=onnx，但是生成onnx文件失败了。这时在export.py里，我自定义了一个导出onnx文件的函数，代码片段如下：

[Python] 纯文本查看 复制代码

def my_export_onnx(model, im, file, opset, train, dynamic, simplify, prefix=colorstr('ONNX:')):
    print('anchors:', model.yaml['anchors'])
    wtxt = open('class.names', 'w')
    for name in model.names:
        wtxt.write(name+'\n')
    wtxt.close()
    # YOLOv5 ONNX export
    print(im.shape)
    if not dynamic:
        f = os.path.splitext(file)[0] + '.onnx'
        torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'], output_names=['output'])
    else:
        f = os.path.splitext(file)[0] + '_dynamic.onnx'
        torch.onnx.export(model, im, f, verbose=False, opset_version=12, input_names=['images'],
                          output_names=['output'], dynamic_axes={'images': {0: 'batch', 2: 'height', 3: 'width'},  # shape(1,3,640,640)
                                        'output': {0: 'batch', 1: 'anchors'}  # shape(1,25200,85)
                                        })
    try:
        import cv2
        net = cv2.dnn.readNet(f)
    except:
        exit(f'export {f} failed')
    exit(f'export {f} sucess')

接下来在官方定义的export_onnx函数里插入调用这个函数，代码截图如下：

这时运行

[Python] 纯文本查看 复制代码

python export.py --weights=yolov5s.pt --include=onnx --imgsz=640
 
python export.py --weights=yolov5s6.pt --include=onnx --imgsz=1280

就能成功生成.onnx文件，并且使用opencv模块能读取onnx文件做推理。
易语言调用源码如下：
1.类

  

窗口程序集名	保 留	保 留	备 注
YOLO5, , 公开, 6.1
变量名	类 型	数组	备 注
锚_640	小数型	3,6	锚
锚_1280	小数型	4,6
锚指针	小数型指针类
数_步	整数型
输入宽	整数型
输入高	整数型
类_名数组	字节集	0
类数	整数型
置信阈值	小数型
抑制阈值	小数型
对象阈值	小数型
保持比率	逻辑型
DNN网络	网络类

子程序名	返回值类型	公开	备 注
_初始化			当基于本类的对象被创建后，此方法会被自动调用

类_名数组 ＝ 分割字节集 ( #类名, { 10 }, )
类数 ＝ 取数组成员数 (类_名数组)
锚_640 [1] [1] ＝ 10
锚_640 [1] [2] ＝ 13
锚_640 [1] [3] ＝ 16
锚_640 [1] [4] ＝ 30
锚_640 [1] [5] ＝ 33
锚_640 [1] [6] ＝ 23
锚_640 [2] [1] ＝ 30
锚_640 [2] [2] ＝ 61
锚_640 [2] [3] ＝ 62
锚_640 [2] [4] ＝ 45
锚_640 [2] [5] ＝ 59
锚_640 [2] [6] ＝ 119
锚_640 [3] [1] ＝ 116
锚_640 [3] [2] ＝ 90
锚_640 [3] [3] ＝ 156
锚_640 [3] [4] ＝ 198
锚_640 [3] [5] ＝ 373
锚_640 [3] [6] ＝ 326
锚_1280 [1] [1] ＝ 19
锚_1280 [1] [2] ＝ 27
锚_1280 [1] [3] ＝ 44
锚_1280 [1] [4] ＝ 40
锚_1280 [1] [5] ＝ 38
锚_1280 [1] [6] ＝ 94
锚_1280 [2] [1] ＝ 96
锚_1280 [2] [2] ＝ 68
锚_1280 [2] [3] ＝ 86
锚_1280 [2] [4] ＝ 152
锚_1280 [2] [5] ＝ 180
锚_1280 [2] [6] ＝ 137
锚_1280 [3] [1] ＝ 140
锚_1280 [3] [2] ＝ 301
锚_1280 [3] [3] ＝ 303
锚_1280 [3] [4] ＝ 264
锚_1280 [3] [5] ＝ 238
锚_1280 [3] [6] ＝ 542
锚_1280 [4] [1] ＝ 436
锚_1280 [4] [2] ＝ 615
锚_1280 [4] [3] ＝ 739
锚_1280 [4] [4] ＝ 380
锚_1280 [4] [5] ＝ 925
锚_1280 [4] [6] ＝ 792
保持比率 ＝ 真

子程序名	返回值类型	公开	备 注
_销毁			当基于本类的对象被销毁前，此方法会被自动调用

子程序名	返回值类型	公开	备 注
结束对比	逻辑型
参数名	类 型	参考	可空	数组	备 注
s	文本型
sub	文本型

判断 (寻找文本 (s, sub, , 假) ＝ 取文本长度 (s) － 取文本长度 (sub) ＋ 1)
返回 (真)
返回 (假)

子程序名	返回值类型	公开	备 注
初始化YOLO
参数名	类 型	参考	可空	数组	备 注
参_置信阈值	小数型
参_抑制阈值	小数型
参_对象阈值	小数型
模型路径	文本型

置信阈值 ＝ 参_置信阈值
抑制阈值 ＝ 参_抑制阈值
对象阈值 ＝ 参_对象阈值
DNN网络 ＝ 视觉_读取网络 (模型路径, , “”)
判断 (结束对比 (模型路径, “6.onnx”))
锚指针.指针 ＝ 取变量数据地址 (锚_1280)
数_步 ＝ 4
输入高 ＝ 1280
输入宽 ＝ 1280
锚指针.指针 ＝ 取变量数据地址 (锚_640)
数_步 ＝ 3
输入高 ＝ 640
输入宽 ＝ 640

子程序名	返回值类型	公开	备 注
图片尺寸调整	多维矩阵类
参数名	类 型	参考	可空	数组	备 注
输入图片	多维矩阵类
新高	整数型
新宽	整数型
顶	整数型
左	整数型

变量名	类 型	静态	数组	备 注
输入高	整数型
输入宽	整数型
结果图	多维矩阵类
高宽_比率	小数型

输入高 ＝ 输入图片.行数 ()
输入宽 ＝ 输入图片.列数 ()
新高 ＝ 输入高
新宽 ＝ 输入宽
判断 (保持比率 且 输入高 ≠ 输入宽)
高宽_比率 ＝ 输入高 ÷ 输入宽
如果 (高宽_比率 ＞ 1)
新高 ＝ 输入高
新宽 ＝ 输入宽 ÷ 高宽_比率
视觉_调整尺寸 (输入图片, 结果图, 尺寸2i (新宽, 新高), #插值_面积, 0, 1)
左 ＝ (输入宽 － 新宽) × 0.5
视觉_复制边框 (结果图, 结果图, 0, 0, 左, 输入宽 － 新宽 － 左, #边框_不变, 标量 (114))
新高 ＝ 输入高 × 高宽_比率
新宽 ＝ 输入宽
视觉_调整尺寸 (输入图片, 结果图, 尺寸2i (新宽, 新高), #插值_面积, 0, 1)
顶 ＝ (输入高 － 新高) × 0.5
视觉_复制边框 (结果图, 结果图, 顶, 输入高 － 新高 － 顶, 0, 0, #边框_不变, 标量 (114))

视觉_调整尺寸 (输入图片, 结果图, 尺寸2i (新宽, 新高), #插值_面积, 0, 1)

返回 (结果图)

子程序名	返回值类型	公开	备 注
检测识别
参数名	类 型	参考	可空	数组	备 注
输入图片	多维矩阵类

变量名	类 型	静态	数组	备 注
新高	整数型
新宽	整数型
新顶	整数型
新左	整数型
结果图	多维矩阵类
连通对象	多维矩阵类
输出数组	多维矩阵类		0
数_proposal	整数型
维度	整数型
置信数组	小数型		0
框数组	矩形2i类		0
类ID数组	整数型		0
高比率	小数型
宽比率	小数型
数据指针	小数型指针类
n	整数型			///xmin,ymin,xamx,ymax,box_score,class_score
q	整数型
i	整数型
j	整数型
行_计数	整数型
尺度	小数型
数_网络_宽	小数型
数_网络_高	小数型
锚_宽	小数型
锚_高	小数型
框_分数	小数型
分数	多维矩阵类
类ID位置	点2i类
最大_类_得分	双精度小数型
类_IDx	整数型
中心X	小数型
中心Y	小数型
宽	小数型
高	小数型
左	整数型
顶	整数型
指数	整数型		0
IDx	整数型
框	矩形2i类

结果图 ＝ 图片尺寸调整 (输入图片, 新高, 新宽, 新顶, 新左)
连通对象 ＝ 视觉_图像前景目标 (结果图, 1 ÷ 255, 尺寸2i (输入宽, 输入高), 标量 (0, 0, 0), 真, 假, 5)
DNN网络.设置输入 (连通对象, “”, 1, )
DNN网络.前向计算V (输出数组, DNN网络.获取未连接的输出层名称 ())
数_proposal ＝ 输出数组 [1].维度元素数 (1)
维度 ＝ 输出数组 [1].维度元素数 (2)
如果真 (输出数组 [1].维度 () ＞ 2)
输出数组 [1] ＝ 输出数组 [1].重塑 (0, 数_proposal)
高比率 ＝ 输入图片.行数 () ÷ 新高
宽比率 ＝ 输入图片.列数 () ÷ 新宽
数据指针.指针 ＝ 输出数组 [1].数据指针 ()
变量循环首 (0, 数_步 － 1, 1, n)
尺度 ＝ 求次方 (2, n ＋ 3)
数_网络_宽 ＝ 视觉_向上取整 (输入宽 ÷ 尺度)
数_网络_高 ＝ 视觉_向上取整 (输入高 ÷ 尺度)
变量循环首 (0, 2, 1, q)
锚_宽 ＝ 锚指针.读 (n × 6 ＋ q × 2)
锚_高 ＝ 锚指针.读 (n × 6 ＋ q × 2 ＋ 1)
变量循环首 (0, 数_网络_高 － 1, 1, i)
变量循环首 (0, 数_网络_宽 － 1, 1, j)
框_分数 ＝ 数据指针.读 (4)
如果真 (框_分数 ＞ 对象阈值)
分数 ＝ 输出数组 [1].行 (行_计数).列范围 (5, 维度)
视觉_最小最大位置 (分数, , 最大_类_得分, , 类ID位置, )
最大_类_得分 ＝ 最大_类_得分 × 框_分数
如果真 (最大_类_得分 ＞ 置信阈值)
类_IDx ＝ 类ID位置.左边
中心X ＝ (数据指针.读 (0) × 2 － 0.5 ＋ j) × 尺度  ' ///cx
中心Y ＝ (数据指针.读 (1) × 2 － 0.5 ＋ i) × 尺度  ' ///cy
宽 ＝ 求次方 (数据指针.读 (2) × 2, 2) × 锚_宽  ' ///w
高 ＝ 求次方 (数据指针.读 (3) × 2, 2) × 锚_高  ' ///h
左 ＝ (中心X － 新左 － 0.5 × 宽) × 宽比率
顶 ＝ (中心Y － 新顶 － 0.5 × 高) × 高比率
加入成员 (置信数组, 最大_类_得分)
加入成员 (框数组, 矩形2i (左, 顶, 宽 × 宽比率, 高 × 高比率))
加入成员 (类ID数组, 类_IDx)

行_计数 ＝ 行_计数 ＋ 1
数据指针.偏移 (维度)
变量循环尾 ()
变量循环尾 ()
变量循环尾 ()
变量循环尾 ()
视觉_非最大抑制 (框数组, 置信数组, 置信阈值, 抑制阈值, 指数, 1, 0)
计次循环首 (取数组成员数 (指数), i)
IDx ＝ 指数 [i] ＋ 1
框 ＝ 框数组 [IDx]
绘制预测 (置信数组 [IDx], 框.左边, 框.顶边, 框.左边 ＋ 框.宽度, 框.顶边 ＋ 框.高度, 输入图片, 类ID数组 [IDx])
计次循环尾 ()

子程序名	返回值类型	公开	备 注
绘制预测
参数名	类 型	参考	可空	数组	备 注
分数	小数型
左边	整数型
顶边	整数型
右边	整数型
底边	整数型
画板	多维矩阵类
类ID	整数型

变量名	类 型	静态	数组	备 注
标签	文本型
标签尺寸	尺寸2i类

' //绘制一个显示边界框的矩形
视觉_矩形1 (画板, 点2i (左边, 顶边), 点2i (右边, 底边), 标量 (0, 0, 255), 2, 0, 0)
' //获取类名的标签及其置信度
标签 ＝ 到文本 (类_名数组 [类ID ＋ 1]) ＋ “:” ＋ 到文本 (分数)
' //在边界框顶部显示标签
标签尺寸 ＝ 视觉_获取文本尺寸 (标签, #字体_衬线_简单, 0.5, 1, )
顶边 ＝ 视觉_取最大值 (顶边, 标签尺寸.高)
视觉_放置文本 (画板, 标签, 点2i (左边, 顶边), #字体_衬线_简单, 0.75, 标量 (0, 255, 0), 1, 8, 假)

i支持库列表	支持库注释
OpenCV	(未知支持库)
spec	特殊功能支持库

.版本 2<br /> .支持库 OpenCV<br /> .支持库 spec<br /> <br /> .程序集 YOLO5, , 公开, 6.1<br /> .程序集变量 锚_640, 小数型, , "3,6", 锚<br /> .程序集变量 锚_1280, 小数型, , "4,6"<br /> .程序集变量 锚指针, 小数型指针类<br /> .程序集变量 数_步, 整数型<br /> .程序集变量 输入宽, 整数型<br /> .程序集变量 输入高, 整数型<br /> .程序集变量 类_名数组, 字节集, , "0"<br /> .程序集变量 类数, 整数型<br /> .程序集变量 置信阈值, 小数型<br /> .程序集变量 抑制阈值, 小数型<br /> .程序集变量 对象阈值, 小数型<br /> .程序集变量 保持比率, 逻辑型<br /> .程序集变量 DNN网络, 网络类<br /> <br /> .子程序 _初始化, , , 当基于本类的对象被创建后，此方法会被自动调用<br /> <br /> 类_名数组 ＝ 分割字节集 (#类名, { 10 }, )<br /> 类数 ＝ 取数组成员数 (类_名数组)<br /> 锚_640 [1] [1] ＝ 10<br /> 锚_640 [1] [2] ＝ 13<br /> 锚_640 [1] [3] ＝ 16<br /> 锚_640 [1] [4] ＝ 30<br /> 锚_640 [1] [5] ＝ 33<br /> 锚_640 [1] [6] ＝ 23<br /> 锚_640 [2] [1] ＝ 30<br /> 锚_640 [2] [2] ＝ 61<br /> 锚_640 [2] [3] ＝ 62<br /> 锚_640 [2] [4] ＝ 45<br /> 锚_640 [2] [5] ＝ 59<br /> 锚_640 [2] [6] ＝ 119<br /> 锚_640 [3] [1] ＝ 116<br /> 锚_640 [3] [2] ＝ 90<br /> 锚_640 [3] [3] ＝ 156<br /> 锚_640 [3] [4] ＝ 198<br /> 锚_640 [3] [5] ＝ 373<br /> 锚_640 [3] [6] ＝ 326<br /> 锚_1280 [1] [1] ＝ 19<br /> 锚_1280 [1] [2] ＝ 27<br /> 锚_1280 [1] [3] ＝ 44<br /> 锚_1280 [1] [4] ＝ 40<br /> 锚_1280 [1] [5] ＝ 38<br /> 锚_1280 [1] [6] ＝ 94<br /> 锚_1280 [2] [1] ＝ 96<br /> 锚_1280 [2] [2] ＝ 68<br /> 锚_1280 [2] [3] ＝ 86<br /> 锚_1280 [2] [4] ＝ 152<br /> 锚_1280 [2] [5] ＝ 180<br /> 锚_1280 [2] [6] ＝ 137<br /> 锚_1280 [3] [1] ＝ 140<br /> 锚_1280 [3] [2] ＝ 301<br /> 锚_1280 [3] [3] ＝ 303<br /> 锚_1280 [3] [4] ＝ 264<br /> 锚_1280 [3] [5] ＝ 238<br /> 锚_1280 [3] [6] ＝ 542<br /> 锚_1280 [4] [1] ＝ 436<br /> 锚_1280 [4] [2] ＝ 615<br /> 锚_1280 [4] [3] ＝ 739<br /> 锚_1280 [4] [4] ＝ 380<br /> 锚_1280 [4] [5] ＝ 925<br /> 锚_1280 [4] [6] ＝ 792<br /> 保持比率 ＝ 真<br /> <br /> .子程序 _销毁, , , 当基于本类的对象被销毁前，此方法会被自动调用<br /> <br /> <br /> <br /> .子程序 结束对比, 逻辑型<br /> .参数 s, 文本型<br /> .参数 sub, 文本型<br /> <br /> .判断开始 (寻找文本 (s, sub, , 假) ＝ 取文本长度 (s) － 取文本长度 (sub) ＋ 1)<br />     返回 (真)<br /> .默认<br />     返回 (假)<br /> .判断结束<br /> <br /> <br /> <br /> .子程序 初始化YOLO, , 公开<br /> .参数 参_置信阈值, 小数型<br /> .参数 参_抑制阈值, 小数型<br /> .参数 参_对象阈值, 小数型<br /> .参数 模型路径, 文本型<br /> <br /> 置信阈值 ＝ 参_置信阈值<br /> 抑制阈值 ＝ 参_抑制阈值<br /> 对象阈值 ＝ 参_对象阈值<br /> DNN网络 ＝ 视觉_读取网络 (模型路径, , “”)<br /> .判断开始 (结束对比 (模型路径, “6.onnx”))<br />     锚指针.指针 ＝ 取变量数据地址 (锚_1280)<br />     数_步 ＝ 4<br />     输入高 ＝ 1280<br />     输入宽 ＝ 1280<br /> .默认<br />     锚指针.指针 ＝ 取变量数据地址 (锚_640)<br />     数_步 ＝ 3<br />     输入高 ＝ 640<br />     输入宽 ＝ 640<br /> .判断结束<br /> <br /> <br /> .子程序 图片尺寸调整, 多维矩阵类<br /> .参数 输入图片, 多维矩阵类<br /> .参数 新高, 整数型, 参考<br /> .参数 新宽, 整数型, 参考<br /> .参数 顶, 整数型, 参考<br /> .参数 左, 整数型, 参考<br /> .局部变量 输入高, 整数型<br /> .局部变量 输入宽, 整数型<br /> .局部变量 结果图, 多维矩阵类<br /> .局部变量 高宽_比率, 小数型<br /> <br /> 输入高 ＝ 输入图片.行数 ()<br /> 输入宽 ＝ 输入图片.列数 ()<br /> 新高 ＝ 输入高<br /> 新宽 ＝ 输入宽<br /> .判断开始 (保持比率 且 输入高 ≠ 输入宽)<br />     高宽_比率 ＝ 输入高 ÷ 输入宽<br />     .如果 (高宽_比率 ＞ 1)<br />         新高 ＝ 输入高<br />         新宽 ＝ 输入宽 ÷ 高宽_比率<br />         视觉_调整尺寸 (输入图片, 结果图, 尺寸2i (新宽, 新高), #插值_面积, 0, 1)<br />         左 ＝ (输入宽 － 新宽) × 0.5<br />         视觉_复制边框 (结果图, 结果图, 0, 0, 左, 输入宽 － 新宽 － 左, #边框_不变, 标量 (114))<br />     .否则<br />         新高 ＝ 输入高 × 高宽_比率<br />         新宽 ＝ 输入宽<br />         视觉_调整尺寸 (输入图片, 结果图, 尺寸2i (新宽, 新高), #插值_面积, 0, 1)<br />         顶 ＝ (输入高 － 新高) × 0.5<br />         视觉_复制边框 (结果图, 结果图, 顶, 输入高 － 新高 － 顶, 0, 0, #边框_不变, 标量 (114))<br />     .如果结束<br /> <br /> .默认<br />     视觉_调整尺寸 (输入图片, 结果图, 尺寸2i (新宽, 新高), #插值_面积, 0, 1)<br /> .判断结束<br /> <br /> 返回 (结果图)<br /> <br /> .子程序 检测识别, , 公开<br /> .参数 输入图片, 多维矩阵类<br /> .局部变量 新高, 整数型<br /> .局部变量 新宽, 整数型<br /> .局部变量 新顶, 整数型<br /> .局部变量 新左, 整数型<br /> .局部变量 结果图, 多维矩阵类<br /> .局部变量 连通对象, 多维矩阵类<br /> .局部变量 输出数组, 多维矩阵类, , "0"<br /> .局部变量 数_proposal, 整数型<br /> .局部变量 维度, 整数型<br /> .局部变量 置信数组, 小数型, , "0"<br /> .局部变量 框数组, 矩形2i类, , "0"<br /> .局部变量 类ID数组, 整数型, , "0"<br /> .局部变量 高比率, 小数型<br /> .局部变量 宽比率, 小数型<br /> .局部变量 数据指针, 小数型指针类<br /> .局部变量 n, 整数型, , , ///xmin,ymin,xamx,ymax,box_score,class_score<br /> .局部变量 q, 整数型<br /> .局部变量 i, 整数型<br /> .局部变量 j, 整数型<br /> .局部变量 行_计数, 整数型<br /> .局部变量 尺度, 小数型<br /> .局部变量 数_网络_宽, 小数型<br /> .局部变量 数_网络_高, 小数型<br /> .局部变量 锚_宽, 小数型<br /> .局部变量 锚_高, 小数型<br /> .局部变量 框_分数, 小数型<br /> .局部变量 分数, 多维矩阵类<br /> .局部变量 类ID位置, 点2i类<br /> .局部变量 最大_类_得分, 双精度小数型<br /> .局部变量 类_IDx, 整数型<br /> .局部变量 中心X, 小数型<br /> .局部变量 中心Y, 小数型<br /> .局部变量 宽, 小数型<br /> .局部变量 高, 小数型<br /> .局部变量 左, 整数型<br /> .局部变量 顶, 整数型<br /> .局部变量 指数, 整数型, , "0"<br /> .局部变量 IDx, 整数型<br /> .局部变量 框, 矩形2i类<br /> <br /> 结果图 ＝ 图片尺寸调整 (输入图片, 新高, 新宽, 新顶, 新左)<br /> 连通对象 ＝ 视觉_图像前景目标 (结果图, 1 ÷ 255, 尺寸2i (输入宽, 输入高), 标量 (0, 0, 0), 真, 假, 5)<br /> DNN网络.设置输入 (连通对象, “”, 1, )<br /> DNN网络.前向计算V (输出数组, DNN网络.获取未连接的输出层名称 ())<br /> 数_proposal ＝ 输出数组 [1].维度元素数 (1)<br /> 维度 ＝ 输出数组 [1].维度元素数 (2)<br /> .如果真 (输出数组 [1].维度 () ＞ 2)<br />     输出数组 [1] ＝ 输出数组 [1].重塑 (0, 数_proposal)<br /> .如果真结束<br /> 高比率 ＝ 输入图片.行数 () ÷ 新高<br /> 宽比率 ＝ 输入图片.列数 () ÷ 新宽<br /> 数据指针.指针 ＝ 输出数组 [1].数据指针 ()<br /> .变量循环首 (0, 数_步 － 1, 1, n)<br />     尺度 ＝ 求次方 (2, n ＋ 3)<br />     数_网络_宽 ＝ 视觉_向上取整 (输入宽 ÷ 尺度)<br />     数_网络_高 ＝ 视觉_向上取整 (输入高 ÷ 尺度)<br />     .变量循环首 (0, 2, 1, q)<br />         锚_宽 ＝ 锚指针.读 (n × 6 ＋ q × 2)<br />         锚_高 ＝ 锚指针.读 (n × 6 ＋ q × 2 ＋ 1)<br />         .变量循环首 (0, 数_网络_高 － 1, 1, i)<br />             .变量循环首 (0, 数_网络_宽 － 1, 1, j)<br />                 框_分数 ＝ 数据指针.读 (4)<br />                 .如果真 (框_分数 ＞ 对象阈值)<br />                     分数 ＝ 输出数组 [1].行 (行_计数).列范围 (5, 维度)<br />                     视觉_最小最大位置 (分数, , 最大_类_得分, , 类ID位置, )<br />                     最大_类_得分 ＝ 最大_类_得分 × 框_分数<br />                     .如果真 (最大_类_得分 ＞ 置信阈值)<br />                         类_IDx ＝ 类ID位置.左边<br />                         中心X ＝ (数据指针.读 (0) × 2 － 0.5 ＋ j) × 尺度  ' ///cx<br />                         中心Y ＝ (数据指针.读 (1) × 2 － 0.5 ＋ i) × 尺度  ' ///cy<br />                         宽 ＝ 求次方 (数据指针.读 (2) × 2, 2) × 锚_宽  ' ///w<br />                         高 ＝ 求次方 (数据指针.读 (3) × 2, 2) × 锚_高  ' ///h<br />                         左 ＝ (中心X － 新左 － 0.5 × 宽) × 宽比率<br />                         顶 ＝ (中心Y － 新顶 － 0.5 × 高) × 高比率<br />                         加入成员 (置信数组, 最大_类_得分)<br />                         加入成员 (框数组, 矩形2i (左, 顶, 宽 × 宽比率, 高 × 高比率))<br />                         加入成员 (类ID数组, 类_IDx)<br />                     .如果真结束<br /> <br />                 .如果真结束<br />                 行_计数 ＝ 行_计数 ＋ 1<br />                 数据指针.偏移 (维度)<br />             .变量循环尾 ()<br />         .变量循环尾 ()<br />     .变量循环尾 ()<br /> .变量循环尾 ()<br /> 视觉_非最大抑制 (框数组, 置信数组, 置信阈值, 抑制阈值, 指数, 1, 0)<br /> .计次循环首 (取数组成员数 (指数), i)<br />     IDx ＝ 指数 <i> ＋ 1<br />     框 ＝ 框数组 [IDx]<br />     绘制预测 (置信数组 [IDx], 框.左边, 框.顶边, 框.左边 ＋ 框.宽度, 框.顶边 ＋ 框.高度, 输入图片, 类ID数组 [IDx])<br /> .计次循环尾 ()<br /> <br /> .子程序 绘制预测<br /> .参数 分数, 小数型<br /> .参数 左边, 整数型<br /> .参数 顶边, 整数型<br /> .参数 右边, 整数型<br /> .参数 底边, 整数型<br /> .参数 画板, 多维矩阵类<br /> .参数 类ID, 整数型<br /> .局部变量 标签, 文本型<br /> .局部变量 标签尺寸, 尺寸2i类<br /> <br /> ' //绘制一个显示边界框的矩形<br /> 视觉_矩形1 (画板, 点2i (左边, 顶边), 点2i (右边, 底边), 标量 (0, 0, 255), 2, 0, 0)<br /> ' //获取类名的标签及其置信度<br /> 标签 ＝ 到文本 (类_名数组 [类ID ＋ 1]) ＋ “:” ＋ 到文本 (分数)<br /> ' //在边界框顶部显示标签<br /> 标签尺寸 ＝ 视觉_获取文本尺寸 (标签, #字体_衬线_简单, 0.5, 1, )<br /> 顶边 ＝ 视觉_取最大值 (顶边, 标签尺寸.高)<br /> 视觉_放置文本 (画板, 标签, 点2i (左边, 顶边), #字体_衬线_简单, 0.75, 标量 (0, 255, 0), 1, 8, 假)

2.调用

  

窗口程序集名	保 留	保 留	备 注
小白鼠

子程序名	返回值类型	公开	备 注
_启动子程序	整数型		本子程序在程序启动后最先执行

变量名	类 型	静态	数组	备 注
YOLO	YOLO5			V6.1
输入图片	多维矩阵类
标题	文本型

YOLO.初始化YOLO (0.3, 0.5, 0.3, “C:\Users\hanyo\Desktop\yolov5s.onnx”)
输入图片 ＝ 视觉_图像解码 ( #图片1, #读图_彩色 )
YOLO.检测识别 (输入图片)
标题 ＝ “小白鼠 YOLO5 V6.1 深度学习对象检测。”
视觉_创建窗口 (标题, #窗口_标准 )
视觉_显示图像 (标题, 输入图片)
视觉_等待按键 (0)
视觉_销毁所有窗口 ()
返回 (0)  ' 可以根据您的需要返回任意数值

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br /> .支持库 OpenCV<br /> <br /> .程序集 小白鼠<br /> <br /> .子程序 _启动子程序, 整数型, , 本子程序在程序启动后最先执行<br /> .局部变量 YOLO, YOLO5, , , V6.1<br /> .局部变量 输入图片, 多维矩阵类<br /> .局部变量 标题, 文本型<br /> <br /> YOLO.初始化YOLO (0.3, 0.5, 0.3, “C:\Users\hanyo\Desktop\yolov5s.onnx”)<br /> 输入图片 ＝ 视觉_图像解码 (#图片1, #读图_彩色)<br /> YOLO.检测识别 (输入图片)<br /> 标题 ＝ “小白鼠 YOLO5 V6.1 深度学习对象检测。”<br /> 视觉_创建窗口 (标题, #窗口_标准)<br /> 视觉_显示图像 (标题, 输入图片)<br /> 视觉_等待按键 (0)<br /> 视觉_销毁所有窗口 ()<br /> <br /> 返回 (0)  ' 可以根据您的需要返回任意数值

效果展示：

1411496704

可以检测视频吗？

mohao

  支持开源~！感谢分享

moshquito

膜拜大神

waxzs

        支持开源~！感谢分享

pandaboy

1111111111111111111111111111111111111111111111

1170079

295311002

111111111111

张艺林

cq254183573 发表于 2023-3-27 23:24
马上要开始研究部署了,支持一下

777777777777777777777777777777

zhang6597

吊炸天 牛逼