### YOLOv5 导出 ONNX 格式的解决方案 在将 YOLOv5 模型从 Python 导出为 ONNX 格式的过程中，可能会遇到一些常见的错误。以下是针对 `onnxruntime.capi.onnxruntime_pybind11_state.InvalidArgument` 错误的分析和解决方法。 #### 1. **错误原因** 该错误通常是因为输入张量的维度不匹配所导致的。具体来说，在导出 ONNX 文件时，默认情况下可能设置了动态输入尺寸（dynamic batch size 或 dynamic image size），而后续推理过程中使用的输入尺寸与模型期望的不符[^1]。 #### 2. **调整导出参数** 为了确保导出的 ONNX 模型能够正常工作，建议按照官方文档中的推荐命令来执行导出操作。例如： ```bash python export.py --weights yolov5s.pt --img-size 640 --batch-size 1 ``` 上述命令会指定图像大小为 640×640 和批量大小为 1 的固定输入尺寸。如果需要支持其他分辨率或更大的批量处理能力，则可以在导出前修改这些参数[^4]。 #### 3. **修正 OpenCV DNN 推理问题** 当使用 OpenCV 的 DNN 模块加载并运行 ONNX 模型时，有时会出现兼容性问题。这是因为某些版本的 OpenCV 对于动态形状的支持有限。可以通过以下方式解决问题： - 将 ONNX 模型中的动态输入更改为静态输入； - 使用特定工具重新编译带有增强功能的新版库[^3]。 对于第一种方法，即转换成静态图结构的操作如下所示： ```python import torch from models.experimental import attempt_load device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load('yolov5s.pt', map_location=device) # 加载预训练权重 model.eval() dummy_input = torch.randn(1, 3, 640, 640).to(device) torch.onnx.export( model, dummy_input, "yolov5_static.onnx", opset_version=12, do_constant_folding=True, input_names=['images'], output_names=['output'] ) ``` 此代码片段展示了如何通过设置固定的虚拟数据集 (`dummy_input`) 来创建具有明确尺寸定义的新 ONNX 文件。 #### 4. **验证导出后的模型** 完成以上更改之后，应该再次测试生成好的 ONNX 文件是否仍然存在同样的异常情况。可以利用简单的脚本来模拟实际应用场景下的行为模式： ```python import cv2 import numpy as np import onnxruntime as ort session = ort.InferenceSession("yolov5_static.onnx") image_path = "test.jpg" img = cv2.imread(image_path) resized_img = cv2.resize(img, (640, 640)) blob = cv2.dnn.blobFromImage(resized_img, scalefactor=1/255., size=(640, 640), swapRB=True) outputs = session.run(None, {"images": blob}) print(outputs) ``` 这段程序读取一张图片文件作为样本输入给定格式化后的网络层接口调用，并打印最终预测结果以便进一步调试确认。 --- ###