前言
一、什麼是YOLOX
二、環境搭建
- 1、部署本專案時所用環境：
- 2、LabVIEW工具包下載及安裝：
三、模型的獲取與轉化【推薦方式一】
四、LabVIEW實現YOLOX ONNX推理檢測
- 1、LabVIEW呼叫yolox onnx模型實現目標檢測yolox.vi
- 2、LabVIEW呼叫yolox onnx模型實現實時目標檢測yolovx_camera.vi
  - （1）LabVIEW呼叫YOLOX實時目標檢測原始碼
  - （2）LabVIEW呼叫YOLOX實現實時目標檢測結果
五、原始碼及模型下載
總結

前言

好長一段時間沒更博了，沒更新部落格的這段時間博主都有在努力產出，前段時間好多朋友私信問我說自己的yolov5模型是比較老的版本，使用LabVIEW推理的時候會報錯。為各位朋友新老版本都能相容，博主這段時間做了一個LabVIEW YOLOv5的外掛，裡面包含了大部分的新舊版本，老版本的朋友們也可以愉快的使用LabVIEW來實現推理了。等後面整理好了分享給大家。今天我們先一起來看一下如何使用LabVIEW實現yolox的目標檢測。

一、什麼是YOLOX

LabVIEW實現YOLOX目標檢測

YOLOX官方程式碼：https://github.com/Megvii-BaseDetection/YOLOX
YOLOX論文：https://arxiv.org/abs/2107.08430

YOLOX是曠視科技開源的高效能實時目標檢測網路，曠視的研究者將解耦頭、資料增強、無錨點以及標籤分類等目標檢測領域的優秀進展與 YOLO 進行了巧妙的整合組合，提出了 YOLOX，不僅實現了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了極具競爭力的推理速度。如下圖：

YOLOX提供了支援 ONNX、TensorRT、NCNN 和 Openvino 的部署版本。今天我們主要針對YOLOX 的ONNX在LabVIEW中實現部署推理。

二、環境搭建

1、部署本專案時所用環境：

作業系統：Windows10
python：3.6及以上
LabVIEW：2018及以上 64位元版本
AI視覺工具包：techforce_lib_opencv_cpu-1.0.0.73.vip
onnx工具包：virobotics_lib_onnx_cuda_tensorrt-1.0.0.12.vip【不使用cuda或者tensorrt加速的話也可以使用：virobotics_lib_onnx_cpu-1.0.0.13.vip】

2、LabVIEW工具包下載及安裝：

AI視覺工具包下載與安裝參考：
https://blog.csdn.net/virobotics/article/details/123656523
onnx工具包下載與安裝參考：
https://blog.csdn.net/virobotics/article/details/124998746

三、模型的獲取與轉化【推薦方式一】

下面我們來介紹兩種模型獲取的方式(以yoloxs為例，想要獲取其他模型的方式也一樣，只需要修改名字即可)

1、方式一：直接在官網下載yolox的onnx模型

下載具體地址如下：https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntime

下載對應版本模型的weights，點選github即可下載onnx模型。

2、方式二：將標準模型pth轉化為onnx（較為複雜）

1、安裝YOLOX
在https://github.com/Megvii-BaseDetection/YOLOX中下載yolox原始碼並解壓，在YOLOX-main資料夾中開啟cmd，輸入以下指令安裝需要的庫及yolox：

pip3 install -U pip && pip3 install -r requirements.txt
python3 setup.py develop

2、安裝pycocotools

pip install pycocotools

！！！注：若安裝pycocotools時遇到ERROR: Could not build wheels for pycocotools ……，則使用以下指令來安裝：

pip install pycocotools-windows

3、從基準表下載標準預訓練模型：https://github.com/Megvii-BaseDetection/YOLOX

將yolox_s.pth模型放置到如下路徑:

4、將標準模型pth轉化為onnx

執行以下指令實現模型的轉換

python3 tools/export_onnx.py --output-name yolox_s.onnx -n yolox-s -c yolox_s.pth

也可使用如下指令轉化自己的模型：

#通過 -f 轉換標準 YOLOX 模型。使用 -f 時，上述命令等價於：
python3 tools/export_onnx.py --output-name yolox_s.onnx -f exps/default/yolox_s.py -c yolox_s.pth
# 要轉換您的自定義模型，請使用 -f：
python3 tools/export_onnx.py --output-name your_yolox.onnx -f exps/your_dir/your_yolox.py -c your_yolox.pth

輸出如下，得到yolox_s.onnx