源码解析二模型转换export.py
基于最新yolov5-v6.0
1.重点
2.相关函数
1.重点
一般使用规则：
python导出。py-数据’ ‘-重量’ ‘-img SZ 512-简化-包括’ onnx ‘三种格式想要用哪种就要下载相应的包：
torchscript不需要下载对应的包有火炬就可以onnx: pip安装onnxcoreml: pip安装coremltools2 .相关函数
parse_opt():
def parse_opt():
”’
数据：数据集目录默认=ROOT/’data/coco128.yaml ‘
重量：权重文件目录默认=ROOT/’yolov5s.pt ‘
img-size:输入模型的图片尺寸=(高度、宽度)默认=[640, 640]
批次大小：批次大小默认=1
设备：模型运行设备库达设备，即0或0,1,2,3或中央处理器默认中央处理器
包括：要将元素铂的符号文件转为什么格式可以为单个原始也可以为目录默认=[‘torchscript ‘，’ onnx ‘，’ coreml’]
half:是否使用半精度FP16export转换默认=假
位置：是否设置YOLOv5就地检测()=真默认=假
列车：是否开启model.train()模式默认=真coreml转换必须为真实的
优化： TorchScript转化参数是否进行移动端优化默认=假
int8:支持CoreML/TF INT8量化不支持ONNX
dynamic: ONNX转换参数动态轴ONNX转换是否要进行批处理变量默认=假
simplify: ONNX转换参数是否简化onnx模型默认=假
opset: ONNX转换参数设置ONNX版本默认=13
topk-per-class: TF.js每一类别都要保留默认=100
topk-all: TF.js Topk为所有班级保留
IOu-thres 3360 TF。js IOu阈值默认值=0.45
conf-thres3360 TF。射流研究…置信度阈值默认值=0.25
包括：需要导出的版本默认=[‘torchscript ‘，’ onnx’]，
‘ def run(data=ROOT/’ data/coco 128。yaml ‘，# ‘数据集. YAML路径’
def run(data=ROOT/’ data/coco 128。yaml ‘，# ‘数据集. YAML路径’
权重=ROOT/’yolov5s.pt ‘，#权重路径
imgsz=(640，640)，# image(高度，宽度)
批处理大小=1,#批处理大小
设备=’cpu ‘，# cuda设备，即0或0,1,2,3或中央处理器
包括=(“火炬脚本”、“onnx”、“coreml”)、#包括格式
一半=假，# FP16半精度导出
在位=假，#设置YOLOv5检测()在位=真
train=False，# model.train()模式
优化=假，# TorchScript:针对移动优化
int8=False，# CoreML/TF INT8量化
动态=假，# ONNX/TF:动态轴
简化=假，# ONNX:简化模型
opset=12，# ONNX: opset版本
topk_per_class=100，# TF.js NMS: topk每类保留
topk_all=100，# TF.js NMS: topk为所有类保留
iou_thres=0.45，# TF.js NMS: IoU阈值
conf_thres=0.25 # TF.js NMS:置信阈值
):
内容来源网络，如有侵权，联系删除，本文地址：https://www.230890.com/zhan/154010.html