前言
前面我们给大家介绍了使用OpenCV以及ONNX工具包实现yolov5在LabVIEW中的部署，有英伟达显卡的朋友们可能已经感受过使用cuda加速时yolov5的速度，今天主要和大家分享在LabVIEW中使用纯TensoRT工具包快速部署并实现yolov5的物体识别，本博客中使用的智能工具包可到主页置顶博客https://blog.csdn.net/virobotics/article/details/129304465
中安装。若配置运行过程中遇到困难，欢迎大家评论区留言，博主将尽力解决。
以下是YOLOv5的相关笔记总结，希望对大家有所帮助。
【YOLOv5】LabVIEW+OpenVINO让你的YOLOv5在CPU上飞起来|https://blog.csdn.net/virobotics/article/details/124951862|
【YOLOv5】LabVIEW OpenCV dnn快速实现实时物体识别（Object Detection）| https://blog.csdn.net/virobotics/article/details/124929483 |
【YOLOv5】手把手教你使用LabVIEW ONNX Runtime部署 TensorRT加速，实现YOLOv5实时物体识别（含源码）| https://blog.csdn.net/virobotics/article/details/124981658
一、关于YOLOv5
YOLOv5是在 COCO 数据集上预训练的一系列对象检测架构和模型。表现要优于谷歌开源的目标检测框架 EfficientDet，在检测精度和速度上相比yolov4都有较大的提高。本博客，我们以YOLOv5 6.1版本来介绍相关的部署开发。
YOLOv5相比于前面yolo模型的主要特点是：
1、小目标的检测精度上有明显的提高；
2、能自适应锚框计算
3、具有数据增强功能，随机缩放，裁剪，拼接等功能
4、灵活性极高、速度超快，模型超小、在模型的快速部署上具有极强优势
关于YOLOv5的网络结构解释网上有很多，这里就不再赘述了，大家可以看其他大神对于YOLOv5网络结构的解析。
二、YOLOv5模型的获取
为方便使用，博主已经将yolov5模型转化为onnx格式，可在百度网盘下载
链接：https://pan.baidu.com/s/15dwoBM4W-5_nlRj4G9EhRg?pwd=yiku
提取码：yiku
1.下载源码
将Ultralytics开源的YOLOv5代码Clone或下载到本地，可以直接点击Download ZIP进行下载，
下载地址：https://github.com/ultralytics/yolov5
2.安装模块
解压刚刚下载的zip文件，然后安装yolov5需要的模块，记住cmd的工作路径要在yolov5文件夹下：
打开cmd切换路径到yolov5文件夹下，并输入如下指令，安装yolov5需要的模块
pip install -r requirements.txt
3.下载预训练模型
打开cmd，进入python环境，使用如下指令下载预训练模型：
import torch
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5n - yolov5x6, custom
成功下载后如下图所示：
4.转换为onnx模型
将.pt文件转化为.onnx文件，在cmd中输入转onnx的命令（记得将export.py和pt模型放在同一路径下）：
python export.py --weights yolov5s.pt --include onnx
如下图所示为转化成功界面
其中yolov5s可替换为yolov5m\yolov5m\yolov5l\yolov5x
总结
以上就是今天要给大家分享的内容，下一篇我们会给大家介绍，如何在tensorRT工具包中部署yolov5
**如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏
