2022.07.25 C++下使用opencv部署yolov7模型（五）
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
0.写在最前
此篇文字针对yolov7-1.0版本。
最近粗略的看了一遍yolov7的论文关于yolov7和其他yolo系列的对比咱就不多说了大佬们的文章很多很详细。关于opencv部署方面其实yolov7和yolov5的初期版本5.0以前的版本很像分为三个输出口yolov5-6.0之后的版本合并了三个输出口变成一个output输出【需要注意的是虽然yolov可以在export的时候加上--grid参数将detect层加入之后变成和yolov5最新版本的输出一致可以不用改yolov5代码直接跑yolov7的那种一致,当然anchors数据还是得改的但是我试过了opencv包括onnxruntime推理加grid参数的onnx模型都有问题暂时我也在探索一种适用于所有yolov7版本的修改方案但是改了几种都是适用某几个模型其他模型挂掉的情况】。使用Netron打开两个模型对比下很明显数据格式也和yolo的一致。所以基本上可以和yolov5的代码通用。只不过具体使用的时候还是有一点区别的。另外yolov7目前可以直接通过其自身带的export.py导出onnx模型并不需要像yolov5早期的代码修改。
一.yolov5代码修改适用yolov7
1.归一化框的读取类似yolov5的早期版本
上面说过yolov7和yolov5的不同实际上应该是一致的才对实际上如果yolov7导出的时候加上--grid参数结果就和yolov5目前的版本一毛一样但是加上之后opencv推理onnx的时候会报错目前yolov7暂时未修复该bug所以下面的yolov7代码导出的时候不要加--grid参数。我没仔细debug所以我们需要根据下面的红色框中的内容对网络的归一化anchors框进行变换变成正常的像素位置。也就是像yolov5之前古老的版本没优化之前一样这就是我上面说的和yolov5-5.0以前的版本类似的原因。可以看第三篇的代码中的读取归一化框的方式获取原始图像位置。2021.09.02更新说明 c++下使用opencv部署yolov5模型 三_爱晚乏客游的博客-CSDN博客_c++ yolov5
2.anchors数据不同
对比下两者的anchors数据可以看到两个的anchors不一致了修改这部分内容即可。
所以综上所诉对于yolov5-6.0的代码修改一些地方即可马上应用到yolov7上面可以说很方便了。
具体修改有两处一处是anchors另外一处是推理程序修改之后的链接我放最下面了其实就是在第四篇的基础上面修改下GitHub - UNeedCryDear/yolov5-opencv-dnn-cpp: 使用opencv模块部署yolov5-6.0版本
//yolo.h中改下anchors
const float netAnchors[3][6] = { {12, 16, 19, 36, 40, 28},{36, 75, 76, 55, 72, 146},{142, 110, 192, 243, 459, 401} }; //yolov7-P5 anchors
//yolo.cpp中推理代码修改
bool Yolo::Detect(Mat& SrcImg, Net& net, vector<Output>& output) {
Mat blob;
int col = SrcImg.cols;
int row = SrcImg.rows;
int maxLen = MAX(col, row);
Mat netInputImg = SrcImg.clone();
if (maxLen > 1.2 * col || maxLen > 1.2 * row) {
Mat resizeImg = Mat::zeros(maxLen, maxLen, CV_8UC3);
SrcImg.copyTo(resizeImg(Rect(0, 0, col, row)));
netInputImg = resizeImg;
}
vector<Ptr<Layer> > layer;
vector<string> layer_names;
layer_names= net.getLayerNames();
blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(0, 0, 0), true, false);
//如果在其他设置没有问题的情况下但是结果偏差很大可以尝试下用下面两句语句
//blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(104, 117, 123), true, false);
//blobFromImage(netInputImg, blob, 1 / 255.0, cv::Size(netWidth, netHeight), cv::Scalar(114, 114,114), true, false);
net.setInput(blob);
std::vector<cv::Mat> netOutputImg;
net.forward(netOutputImg, net.getUnconnectedOutLayersNames());
std::vector<int> classIds;//结果id数组
std::vector<float> confidences;//结果每个id对应置信度数组
std::vector<cv::Rect> boxes;//每个id矩形框
float ratio_h = (float)netInputImg.rows / netHeight;
float ratio_w = (float)netInputImg.cols / netWidth;
int net_width = className.size() + 5; //输出的网络宽度是类别数+5
for (int stride = 0; stride < strideSize; stride++) { //stride
float* pdata = (float*)netOutputImg[stride].data;
int grid_x = (int)(netWidth / netStride[stride]);
int grid_y = (int)(netHeight / netStride[stride]);
for (int anchor = 0; anchor < 3; anchor++) { //anchors
const float anchor_w = netAnchors[stride][anchor * 2];
const float anchor_h = netAnchors[stride][anchor * 2 + 1];
for (int i = 0; i < grid_y; i++) {
for (int j = 0; j < grid_x; j++) {
float box_score = sigmoid_x(pdata[4]); ;//获取每一行的box框中含有某个物体的概率
if (box_score >= boxThreshold) {
cv::Mat scores(1, className.size(), CV_32FC1, pdata + 5);
Point classIdPoint;
double max_class_socre;
minMaxLoc(scores, 0, &max_class_socre, 0, &classIdPoint);
max_class_socre = sigmoid_x(max_class_socre);
if (max_class_socre >= classThreshold) {
float x = (sigmoid_x(pdata[0]) * 2.f - 0.5f + j) * netStride[stride]; //x
float y = (sigmoid_x(pdata[1]) * 2.f - 0.5f + i) * netStride[stride]; //y
float w = powf(sigmoid_x(pdata[2]) * 2.f, 2.f) * anchor_w; //w
float h = powf(sigmoid_x(pdata[3]) * 2.f, 2.f) * anchor_h; //h
int left = (int)(x - 0.5 * w) * ratio_w + 0.5;
int top = (int)(y - 0.5 * h) * ratio_h + 0.5;
classIds.push_back(classIdPoint.x);
confidences.push_back(max_class_socre * box_score);
boxes.push_back(Rect(left, top, int(w * ratio_w), int(h * ratio_h)));
}
}
pdata += net_width;//下一行
}
}
}
}
//执行非最大抑制以消除具有较低置信度的冗余重叠框NMS
vector<int> nms_result;
NMSBoxes(boxes, confidences, nmsScoreThreshold, nmsThreshold, nms_result);
for (int i = 0; i < nms_result.size(); i++) {
int idx = nms_result[i];
Output result;
result.id = classIds[idx];
result.confidence = confidences[idx];
result.box = boxes[idx];
output.push_back(result);
}
if (output.size())
return true;
else
return false;
}二、yolov7一些模型转换的问题
评论区有些小伙伴反馈yolov7-d6模型在opencv4.5.1下面会报错报错信息类似之前读取早期的yolov5的报错一致。
OpenCV(4.5.0) Error: Unspecified error (> Node [Slice]:(341) parse error: OpenCV(4.5.0) D:\opencv\ocv4.5.0\sources\modules\dnn\src\onnx\onnx_importer.cpp:697: error: (-2:Unspecified error) in function 'void __cdecl cv::dnn::dnn4_v20200908::ONNXImporter::handleNode(const class opencv_onnx::NodeProto &)' Slice layer only supports steps = 1 (expected: 'countNonZero(step_blob != 1) == 0'), where 'countNonZero(step_blob != 1)' is 1 must be equal to '0' is 0 in cv::dnn::dnn4_v20200908::ONNXImporter::handleNode, file D:\opencv\ocv4.5.0\sources\modules\dnn\src\onnx\onnx_importer.cpp, line 1797
经过对比yolov7和yolov7-d6的yaml文件发现是由于yolov7-d6中使用了ReOrg模块引起的报错也就是步长为2的切片像我这个系列中第一篇的问题一样。
这个模块有点类似早期的yolov5的Facos模块需要将ReOrg模块修改成下面的代码。 在models/common.py里面搜索下ReOrg改成一下代码之后重新导出onnx模型即可正确读取。
class ReOrg(nn.Module):
def __init__(self):
super(ReOrg, self).__init__()
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
#origin code
# return torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1)
self.concat=Contract(gain=2)
return self.concat(x)最后贴个yolov7和yolov5的对比图可以看到yolov7提升还是蛮明显的结果的置信度高了一些后面的自行车也检测出来了就是领带这里误检了。
贴合github链接里面包括了yolov7和yolov5通过宏定义来控制