yolov5项目部署+微信小程序前端展示的全过程

下面我将详细讲解 "yolov5 项目部署+微信小程序前端展示的全过程"，该过程主要包括以下几个步骤：

数据准备
模型训练
模型转换
模型部署
小程序展示

下面我将逐一介绍每个步骤所需的具体操作。

数据准备

首先需要准备训练数据，yolov5 支持的数据格式有图片和标签文件，其中标签文件可以是 .txt 或 .json 格式。我们需要至少准备两个文件夹，一个是存放图片，一个是存放标签文件。

示例：

/images_folder
├── 1.jpg
├── 2.jpg
├── ...
├── 100.jpg
/labels_folder
├── 1.txt
├── 2.txt
├── ...
├── 100.txt

其中标签文件的格式为：

<class_index> <x_center> <y_center> <width> <height>

各字段含义：

class_index: 物体类别索引，从0开始。注意：要与训练时配置的类别一一对应。
x_center,y_center: 中心点坐标，相对于图片的宽高。
width,height：框的宽高，基于图片的宽高比例。

模型训练

接下来要进行模型训练，这里我们选择使用 yolov5 中的 train.py 文件训练模型。训练命令如下所示：

python train.py --data data.yaml --cfg ./models/yolov5s.yaml --weights '' --batch-size 4 --epochs 100

其中，

data.yaml: 数据的配置文件路径。
yolov5s.yaml: 模型配置文件路径。
weights: 预训练模型的路径。如果没有则置空。
batch-size: 训练批大小。
epochs: 训练的轮数。

模型训练完成后，会得到一个 .pt 文件，可以用于后续转换和部署。

模型转换

为了在前端部署时使用，我们需要将训练好的 .pt 模型转化为 .ptl 格式的模型，并且使用 export.py 文件转换成 onnx 模型。转换命令如下所示：

python export.py --weights xxx.pt --img-size 640 --batch-size 1 --dynamic

其中,

--weights：指定训练好的模型权重路径。
--img-size：指定模型收缩后的图像分辨率。
--batch-size：推理时的批次大小。
--dynamic：指定是否使用动态图计算图。

转换完成后，会得到一个 yolov5s.onnx 文件，可以用于后续的部署。

模型部署

在部署前，需要先搭建好模型服务环境，一般选择使用 torchserve 进行模型服务。这里我将使用 fastapi + torchserve 的方式进行部署。

首先，需要在 torchserve 上注册模型，并设定输入和输出格式。可以使用以下命令进行注册：

curl -X POST http://localhost:8081/models -H 'Content-Type: application/json' -d '{"model_name":"yolov5s", "url":"yolov5s.mar", "batch_size": 1, "max_batch_delay": 1000, "initial_workers": 1, "synchronous": true}'

其中，

model_name ：模型名称。
url ：模型文件名。
synchronous ：是否使用同步模式，即批量大小为1。

然后将模型 .onnx 文件打包为 .mar 文件，可以使用以下命令：

torch-model-archiver --model-name yolov5s --version 1.0 --model-file yolov5s.onnx --handler image_classifier --extra-files ./models/yolov5s.yaml,./models/data.yaml

其中，

model_file ：转换的模型文件路径。
handler ：模型的处理方式，此处使用的是 image_classifier。
extra-files ：额外需要的文件。

最后将生成的 .mar 文件上传到 torchserve 上，也可以通过命令行进行上传：

curl -v -X POST "http://localhost:8081/models/yolov5s/1.0?initialWorkers=1&synchronous=true" -T yolov5s.mar

模型部署完成后，可以通过访问 http://localhost:8080/models 查看已经部署的模型。

小程序展示

最后，使用微信小程序作为前端，进行推理结果展示。这里需要将前面步骤中的文件和服务部署到服务器上，并且与小程序进行交互。

示例中使用的是 Python FastAPI 框架作为服务器，下面代码给出了一个示例：

from fastapi import FastAPI, File, UploadFile
from typing import List
import requests
import json

app = FastAPI()
url = 'http://localhost:8080/predictions/yolov5s'
headers = {'Content-Type': 'application/json'}
labels = ["person", "car", "bike", "trunk"]

@app.post("/predict")
async def predict(upload_file: UploadFile):
    with open(upload_file.filename, "wb") as buffer:
        buffer.write(await upload_file.read())
    files = {'file': (upload_file.filename, open(upload_file.filename, 'rb'), 'image/jpeg')}
    response = requests.post(url, files=files)
    results = response.json()[0]['predictions']
    ret = []
    for result in results:
        x1, y1, x2, y2 = result['bbox']
        x_center = (x1 + x2) / 2
        y_center = (y1 + y2) / 2
        width = x2 - x1
        height = y2 - y1
        category = labels[result['class_index']]
        ret.append({
            'x_center': x_center,
            'y_center': y_center,
            'width': width,
            'height': height,
            'category': category
        })
    return {'status': 'ok', 'predict_result': ret}

其中，

upload_file ：上传的文件，可以通过 Postman 进行测试。
headers ：把图片转成指定格式，并发送给 TorchServe。

具体实现可以参考官方文档和示例代码。这样，我们就可以在小程序上访问该接口，进行推理并展示结果。

以上就是 yolov5 项目部署+微信小程序前端展示的全过程，其中包含了数据准备、模型训练、模型转换、模型部署和小程序展示等多个步骤。

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：yolov5项目部署+微信小程序前端展示的全过程 - Python技术站