YOLOX目標(biāo)檢測模型的推理部署
YOLOX目標(biāo)檢測模型
曠視科技開源了內(nèi)部目標(biāo)檢測模型-YOLOX，性能與速度全面超越Y(jié)OLOv5早期版本!
https://arxiv.org/pdf/2107.08430.pdfhttps://github.com/Megvii-BaseDetection/YOLOX
ONNX格式模型轉(zhuǎn)與部署
下載YOLOX的ONNX格式模型（github上可以下載）https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntimehttps://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx
下載ONNX格式模型，打開之后如圖：
官方說明ONNX格式支持OpenVINO、ONNXRUNTIME、TensorRT三種方式，而且都提供源碼，官方提供的源碼參考如下：輸入格式：1x3x640x640，默認(rèn)BGR，無需歸一化。輸出格式：1x8400x85
https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo
本人就是參考上述的代碼然后一通猛改，分別封裝成三個(gè)類，完成了統(tǒng)一接口，公用了后處理部分的代碼，基于本人筆記本的硬件資源與軟件版本：
在三個(gè)推理平臺(tái)上測試結(jié)果如下：-GPU 3050Ti-CPU i7 11代-OS：Win10 64位-OpenVINO2021.4-ONNXRUNTIME：1.7-CPU-OpenCV4.5.4-Python3.6.5-YOLOX-TensorRT8.4.x
OpenVINO推理
TensorRT推理 - FP32
轉(zhuǎn)威FP16
TensorRT推理 - FP16
總結(jié)
之前我寫過一篇文章比較了YOLOv5最新版本在OpenVINO、ONNXRUNTIME、OpenCV DNN上的速度比較，現(xiàn)在加上本篇比較了YOLOX在TensorRT、OpenVINO、ONNXRUNTIME上推理部署速度比較，得到的結(jié)論就是：能不改代碼，同時(shí)支持CPU跟GPU推理是ONNXRUNTIMEOpenCV DNN毫無意外的速度最慢（CPU/GPU）CPU上速度最快的是OpenVINOGPU上速度最快的是TensorRT
原文標(biāo)題：YOLOX在OpenVINO、ONNXRUNTIME、TensorRT上面推理部署與速度比較
文章出處：【微信公眾號(hào)：OpenCV學(xué)堂】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
模型
+關(guān)注
關(guān)注
1文章
3313瀏覽量
49231 -
目標(biāo)檢測
+關(guān)注
關(guān)注
0文章
211瀏覽量
15664 -
OpenCV
+關(guān)注
關(guān)注
31文章
635瀏覽量
41559
原文標(biāo)題：YOLOX在OpenVINO、ONNXRUNTIME、TensorRT上面推理部署與速度比較
文章出處：【微信號(hào)：CVSCHOOL，微信公眾號(hào)：OpenCV學(xué)堂】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
摩爾線程宣布成功部署DeepSeek蒸餾模型推理服務(wù)
近日，摩爾線程智能科技(北京)有限責(zé)任公司在其官方渠道發(fā)布了一則重要消息，宣布公司已經(jīng)成功實(shí)現(xiàn)了對(duì)DeepSeek蒸餾模型推理服務(wù)的部署。這一技術(shù)突破，標(biāo)志著摩爾線程在人工智能領(lǐng)域邁出了堅(jiān)實(shí)的一步
AI模型部署邊緣設(shè)備的奇妙之旅：目標(biāo)檢測模型
以及邊緣計(jì)算能力的增強(qiáng)，越來越多的目標(biāo)檢測應(yīng)用開始直接在靠近數(shù)據(jù)源的邊緣設(shè)備上運(yùn)行。這不僅減少了數(shù)據(jù)傳輸延遲，保護(hù)了用戶隱私，同時(shí)也減輕了云端服務(wù)器的壓力。然而，在邊緣端部署高效且準(zhǔn)確的目標(biāo)
發(fā)表于 12-19 14:33
高效大模型的推理綜述
大模型由于其在各種任務(wù)中的出色表現(xiàn)而引起了廣泛的關(guān)注。然而，大模型推理的大量計(jì)算和內(nèi)存需求對(duì)其在資源受限場景的部署提出了挑戰(zhàn)。業(yè)內(nèi)一直在努力開發(fā)旨在提高大
在樹莓派上部署YOLOv5進(jìn)行動(dòng)物目標(biāo)檢測的完整流程
卓越的性能。本文將詳細(xì)介紹如何在性能更強(qiáng)的計(jì)算機(jī)上訓(xùn)練YOLOv5模型，并將訓(xùn)練好的模型部署到樹莓派4B上，通過樹莓派的攝像頭進(jìn)行實(shí)時(shí)動(dòng)物目標(biāo)檢測
YOLOv6在LabVIEW中的推理部署（含源碼）
YOLOv6 是美團(tuán)視覺智能部研發(fā)的一款目標(biāo)檢測框架，致力于工業(yè)應(yīng)用。如何使用python進(jìn)行該模型的部署，官網(wǎng)已經(jīng)介紹的很清楚了，但是對(duì)于如何在LabVIEW中實(shí)現(xiàn)該
手冊(cè)上新 |迅為RK3568開發(fā)板NPU例程測試
yolov5目標(biāo)檢測
6.13 yolov5-seg語義分割
6.14 yolov6目標(biāo)檢測
6.15 yolov7目標(biāo)
發(fā)表于 10-23 14:06
手冊(cè)上新 |迅為RK3568開發(fā)板NPU例程測試
yolov5目標(biāo)檢測
6.13 yolov5-seg語義分割
6.14 yolov6目標(biāo)檢測
6.15 yolov7目標(biāo)
發(fā)表于 08-12 11:03
LLM大模型推理加速的關(guān)鍵技術(shù)
LLM（大型語言模型）大模型推理加速是當(dāng)前人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，旨在提高模型在處理復(fù)雜任務(wù)時(shí)的效率和響應(yīng)速度。以下是對(duì)LLM大模型
迅為RK3568手冊(cè)上新 | RK3568開發(fā)板NPU例程測試
6.13 yolov5-seg語義分割
6.14 yolov6目標(biāo)檢測
6.15 yolov7目標(biāo)檢測
6.16 yolov8目標(biāo)
發(fā)表于 07-12 14:44
yolox_bytetrack_osd_encode示例自帶的yolox模型效果不好是怎么回事？
yolox_bytetrack_osd_encode示例自帶的模型如下，我看示例里面yolox_group.json、yolox_infer.json、
發(fā)表于 07-05 07:51
用OpenVINO C# API在intel平臺(tái)部署YOLOv10目標(biāo)檢測模型
的模型設(shè)計(jì)策略,從效率和精度兩個(gè)角度對(duì)YOLOs的各個(gè)組成部分進(jìn)行了全面優(yōu)化，大大降低了計(jì)算開銷，增強(qiáng)了性能。在本文中，我們將結(jié)合OpenVINO C# API使用最新發(fā)布的OpenVINO 2024.1部署YOLOv10目標(biāo)
開發(fā)者手機(jī) AI - 目標(biāo)識(shí)別 demo
%。
Init、DeInit 為Native的初始化和去初始化實(shí)現(xiàn)，主要對(duì)模型進(jìn)行創(chuàng)建、編譯以及銷毀。
Process為異步NAPI接口，主要完成目標(biāo)識(shí)別的功能。實(shí)現(xiàn)包括前處理、推理和后處理3個(gè)部分。前處理主要
發(fā)表于 04-11 16:14
OpenVINO? C# API部署YOLOv9目標(biāo)檢測和實(shí)例分割模型
YOLOv9模型是YOLO系列實(shí)時(shí)目標(biāo)檢測算法中的最新版本，代表著該系列在準(zhǔn)確性、速度和效率方面的又一次重大飛躍。
基于OpenCV DNN實(shí)現(xiàn)YOLOv8的模型部署與推理演示
基于OpenCV DNN實(shí)現(xiàn)YOLOv8推理的好處就是一套代碼就可以部署在Windows10系統(tǒng)、烏班圖系統(tǒng)、Jetson的Jetpack系統(tǒng)
工商網(wǎng)監(jiān)
評(píng)論