### 在行空板上加载并运行 YOLOv11 的 ONNX 模型 #### 1. 安装依赖库 在行空板设备上运行 YOLOv11 的 ONNX 模型，首先需要安装必要的 Python 库。确保安装了 `onnxruntime` 和 `opencv-python`，这些库用于加载和推理 ONNX 模型以及处理图像数据[^2]。 ```bash pip install onnxruntime opencv-python numpy ``` #### 2. 导出 ONNX 模型 使用 YOLOv11 提供的导出功能将模型转换为 ONNX 格式。以下代码展示了如何导出模型： ```python from ultralytics import YOLO # 加载预训练模型或自定义训练模型 model = YOLO("runs/detect/train/weights/best.pt") # 导出为 ONNX 格式 model.export(format="onnx") ``` 导出后会生成一个 `.onnx` 文件，例如 `best.onnx`[^1]。 #### 3. 加载 ONNX 模型 在行空板上加载 ONNX 模型时，可以使用 `onnxruntime` 库。以下是加载模型的示例代码： ```python import cv2 import numpy as np import onnxruntime as ort # 初始化 ONNX 运行时会话 session = ort.InferenceSession("best.onnx", providers=['CPUExecutionProvider']) # 获取输入和输出名称 input_name = session.get_inputs()[0].name output_names = [o.name for o in session.get_outputs()] ``` #### 4. 预处理输入图像 YOLOv11 的输入图像需要进行预处理以匹配模型的输入要求。通常需要调整图像大小、归一化像素值，并将其转换为 NumPy 数组格式。 ```python def preprocess_image(image_path, input_size=640): # 读取图像 image = cv2.imread(image_path) # 调整大小 image_resized = cv2.resize(image, (input_size, input_size)) # 归一化 image_normalized = image_resized / 255.0 # 转换为浮点数并增加批次维度 image_input = np.expand_dims(image_normalized.transpose(2, 0, 1), axis=0).astype(np.float32) return image_input ``` #### 5. 运行推理 通过 `onnxruntime` 的会话对象执行推理操作。以下代码展示了如何对输入图像进行推理： ```python # 预处理图像 image_input = preprocess_image("test.jpg") # 执行推理 outputs = session.run(output_names, {input_name: image_input}) ``` #### 6. 后处理检测结果 YOLOv11 的输出结果需要进行后处理以提取边界框、置信度和类别信息。以下是一个简单的后处理函数： ```python def postprocess(outputs, conf_threshold=0.5, iou_threshold=0.45): predictions = outputs[0] # 假设第一个输出是预测结果 boxes = [] scores = [] class_ids = [] for pred in predictions: x, y, w, h, conf, cls_conf, cls_id = pred if conf * cls_conf > conf_threshold: # 转换为边界框坐标 box = [x - w / 2, y - h / 2, x + w / 2, y + h / 2] boxes.append(box) scores.append(conf * cls_conf) class_ids.append(cls_id) # 非极大值抑制 indices = cv2.dnn.NMSBoxes(boxes, scores, conf_threshold, iou_threshold) return [boxes[i] for i in indices], [scores[i] for i in indices], [class_ids[i] for i in indices] ``` #### 7. 可视化结果 最后，将检测结果绘制到原始图像上以可视化输出： ```python def draw_boxes(image_path, boxes, scores, class_ids): image = cv2.imread(image_path) for box, score, cls_id in zip(boxes, scores, class_ids): x1, y1, x2, y2 = map(int, box) cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, f"{cls_id}: {score:.2f}", (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imwrite("result.jpg", image) ``` ---