文章目录

• 前言
• 一、环境准备
• • 1、yolov5环境及代码准备
  • 2、Paddle环境搭建
  • 2.1 直接安装
  • 2.2 whl安装
  • 3、x2paddle安装
  • 3.1 直接安装
  • 3.2 源码安装
• 二、模型准备
• • 1.pt准备
  • 2.pt->onnx
• 三、模型转换onnx->inference
• 四、转换中可能会遇到的问题
• 总结

前言

  近期，项目部署时同时用了pytorch和Paddle，遇到了些问题，觉得可能是框架冲突，所以我去尝试了用Paddle框架去推理YOLOV5，虽然Paddle框架实现的目标检测网络也不少，但是我的模型已经基本成熟，故不想再去重新训练。本文记录的是第一步，也就是pt模型转换为Paddle 支持的inference模型，如下。

---

一、环境准备

1、yolov5环境及代码准备

  本人所使用的目标检测网络是YOLOV5(建议使用最新版本)，下载链接如下：https://github/ultralytics/yolov5，这里所需的依赖项根据文中的requirements.txt安装即可

pip install -r requirements.txt

2、Paddle环境搭建

2.1 直接安装

  直接安装的话，参考官网教程：https://www.paddlepaddle/install/quick?docurl=/documentation/docs/zh/install/pip/windows-pip.html

2.2 whl安装

  由于个人感觉2.1那样安装不太稳定并且还慢，故我一直都是将whl包下下来，然后进行安装的，链接如下：https://www.paddlepaddle/whl/mkl/stable.html，这里包含所有版本下的whl文件，根据你的CUDA、cudnn、python版本进行下载安装即可。
  需要注意的是：这里的gpu版本默认不支持tensorrt，如果你想用tensorrt推理，那么按照这个网址去下载对应的版本：https://www.paddlepaddle/inference/v2.2/user_guides/download_lib.html，paddle的版本默认是最新的，可以点击页面左上角的倒三角进行切换。

3、x2paddle安装

3.1 直接安装

pip install x2paddle

3.2 源码安装

git clone https://github/PaddlePaddle/X2Paddle.git
cd X2Paddle
git checkout develop
python setup.py install

方法一较为稳定，方法二可以体验最新的版本，我求稳，故直接安装

二、模型准备

1.pt准备

  如果你已有自己的yolov5模型，那么可以直接进行下一步，如果没有自己的模型，那么可以去参考网上的教程去训练一下自己的模型，也可以先用官方的模型进行试验一把，先把流程跑通。

2.pt->onnx

如果你习惯命令行操作，可以去网上参考一些转换教程，这里拿官方模型进行示例：

python models/export.py --weights yolov5s.pt --img 640 --batch 1

我习惯直接在代码中进行更改，需要在YOLOV5里的export.py进行参数更改，需要注意的参数如下：

data: 数据集yaml文件路径
weights:自己的模型路径
imgsz:图片尺寸
batch-size:默认为1，不用更改
device：运行设备，若cpu，则直接写cpu，若gpu，则写0或0,1,2,3
half: 半精度，建议改为False，否则转换inference模型时会出错
dynamic:建议改为False
simplify:建议为True
opset:onnx协议，建议改为11或12
include:列表形式，储存你需要转换的模型后缀，支持torchscript, onnx, engine, coreml, saved_model, pb, tflite, tfjs

运行export.py之后，如出现如下界面，则证明转换成功

转换成功后，会在你的模型路径下生成对应的onnx文件，如图：

三、模型转换onnx->inference

此步，我们只需要一行命令即可

x2paddle --framework=onnx --model=onnx_model.onnx --save_dir=pd_model   #onnx时
x2paddle --framework=tensorflow --model=tf_model.pb --save_dir=pd_model  #tensorflow时
x2paddle --framework=caffe --prototxt=deploy.prototxt --weight=deploy.caffemodel --save_dir=pd_model  #caffe时

x2paddle目前支持转换的模型格式为Tensorflow、onnx、caffe，参数说明如下

参数	含义
–freamework	需要转换的模型类型（即tensorflow、onnx、caffe）
–model	需要转换的模型路径
–save_dir	保存转换后的模型路径
–prototxt	caffe模型的proto文件路径
–weight	caffe模型的参数文件路径

如出现如下界面，则证明转换成功：

转换成功后，会在你指定的save_dir路径下生成如下文件：

  其中inference_model文件夹就是我们需要的推理模型。x2paddle_code.py是转换后paddlepaddle构建的模型文件。model.pdparams是对应模型文件的权重（不是推理模型权重）。

四、转换中可能会遇到的问题

在pt->onnx时遇到问题：

解决方案已经提示在图中，看样子是opset过高导致，解决它时，我试过将其降低为9，结果出错：

字面上看不太兼容，所以我就直接改为了11,最终出现如下成功的界面

onnx->paddle参考链接如下：https://blog.csdn/libo1004/article/details/119026500

---

总结

  这就是本篇所有内容，后期会出一个Paddle推理YOLOV5的文章，还请多多指教。有错写的地方麻烦帮忙指正，有什么问题可以在评论区交流，回复的可能不太及时，还请谅解，另外，喜欢机器视觉的朋友可以加入QQ群：995760755 一起讨论遇到的一些问题。