### 加载和使用 YOLOv5 的 `best.onnx` 模型 为了在 YOLOv5 中加载并使用 `best.onnx` 模型文件进行推理，可以遵循以下方法： #### 1. **验证 ONNX 模型** 在加载模型之前，建议先验证 `.onnx` 文件的有效性。可以通过 `onnx` 库中的 `check_model` 方法完成此操作。 ```python import onnx def validate_onnx_model(onnx_path): """验证 ONNX 模型""" onnx_model = onnx.load(onnx_path) try: onnx.checker.check_model(onnx_model) except Exception as e: print(f"Model validation failed: {e}") else: print("Model is valid.") ``` 通过上述函数可确认 `best.onnx` 是否正确无误[^2]。 --- #### 2. **初始化 ONNX 推理会话** 利用 `onnxruntime` 创建一个推理会话实例，用于后续的预测工作。 ```python import cv2 import numpy as np import onnxruntime as ort class Yolov5ONNXInference: def __init__(self, onnx_path): self.session = ort.InferenceSession(onnx_path) self.input_name = self.session.get_inputs()[0].name self.output_names = [output.name for output in self.session.get_outputs()] ``` 在此部分代码中，定义了一个类 `Yolov5ONNXInference` 来封装 ONNX 模型的相关逻辑。该类会在初始化时创建一个 `ort.InferenceSession` 实例，并获取输入名称以及输出名称列表。 --- #### 3. **图像预处理** YOLOv5 需要特定尺寸的输入张量作为其输入数据形式。因此，在执行推理前需对原始图片做适当调整。 ```python def preprocess(self, image_path, input_size=(640, 640)): """读取并预处理图像""" img = cv2.imread(image_path) img_resized = cv2.resize(img, input_size) img_rgb = cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB) img_array = np.array(img_rgb).astype(np.float32) / 255.0 img_tensor = np.transpose(img_array, (2, 0, 1)) img_input = np.expand_dims(img_tensor, axis=0) return img_input ``` 这段代码实现了从本地路径加载图像、缩放至目标大小 `(640, 640)` 并将其转换为适合网络输入的形式的操作。 --- #### 4. **运行推理** 一旦完成了前期准备工作，则可通过调用 `run()` 函数来进行实际推断计算。 ```python def infer(self, image_data): """执行推理""" outputs = self.session.run(None, {self.input_name: image_data}) return outputs ``` 这里的方法接受经过预处理后的图像数据作为参数，并返回由模型产生的所有输出结果。 --- #### 完整示例流程 以下是完整的端到端实现方式的一个例子： ```python if __name__ == "__main__": model_path = "path/to/best.onnx" detector = Yolov5ONNXInference(model_path) # 测试一张图片 test_image = "test.jpg" processed_img = detector.preprocess(test_image) predictions = detector.infer(processed_img) print(predictions) ``` 以上脚本展示了如何构建对象检测器并将之应用于单幅测试图上。 --- ### 注意事项 - 环境配置应严格遵照官方文档推荐版本设置，否则可能导致兼容性问题或错误行为[^1]。 - 如果计划将在资源受限环境中部署（如嵌入式硬件），则需要特别关注优化策略以减少内存占用与提升速度性能表现。