# YoloV5 ## 模型介绍 YoloV5是一种单阶段目标检测算法，该算法在YOLOV4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 ## 模型结构 YoloV5模型的主要改进思路有以下几点： - 输入端的Mosaic数据增强、自适应锚框计算、自适应图像缩放操作； - 主干网络的Focus结构与CSP结构； - Neck端的FPN+PAN结构； - 输出端的损失函数GIOU_Loss以及预测框筛选的DIOU_nms。 ## Python版本推理下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。 ### 下载镜像在光源可拉取推理的docker镜像，YoloV5工程推荐的镜像如下： ```python docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1 ``` ### 设置Python环境变量 ``` export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH ``` ### 安装依赖 ``` # 进入python示例目录 cd /Python # 安装依赖 pip install -r requirements.txt ``` ### 运行示例 YoloV5模型的推理示例程序是YoloV5_infer_migraphx.py，使用如下命令运行该推理示例： ``` # 进入python目录 cd # 进入Python目录 cd Python/ ``` 1. 静态推理 ``` python YoloV5_infer_migraphx.py --staticInfer ``` 程序运行结束后，在当前目录生成YOLOV5静态推理检测结果可视化图像Result.jpg Result

2. 动态推理 ``` # 开启环境变量 export MIGRAPHX_DYNAMIC_SHAPE=1 # 运行示例 python YoloV5_infer_migraphx.py --dynamicInfer ``` 程序运行结束会在当前目录生成YoloV5动态推理检测结果可视化图像Result0.jpg、Result1.jpg。 Result_2

## C++版本推理下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。 ### 下载镜像在光源中下载MIGraphX镜像： ``` docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1 ``` ### 构建工程 ``` rbuild build -d depend ``` ### 设置环境变量将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句： ``` export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH ``` 然后执行: ``` source ~/.bashrc ``` ### 运行示例 YoloV5示例程序编译成功后，执行如下指令运行该示例： ``` # 进入yolov5 migraphx工程根目录 cd # 进入build目录 cd build/ ``` 1. 静态推理 ``` ./YOLOV5 0 ``` 程序运行结束后，会在当前目录生成YOLOV5静态推理检测结果可视化图像Result.jpg Result

2. 动态推理 ``` # 开启环境变量 export MIGRAPHX_DYNAMIC_SHAPE=1 # 执行动态推理示例程序 ./YOLOV5 1 ``` 程序运行结束会在build目录生成YoloV5动态shape推理检测结果可视化图像Result0.jpg、Result1.jpg。 Result

## 源码仓库及问题反馈 https://developer.hpccube.com/codes/modelzoo/yolov5_migraphx ## 参考 https://github.com/ultralytics/yolov5