网站连接怎么做站酷设计网站官

网站连接怎么做,站酷设计网站官,有关网站建设有那些功能,android studio下载labview yolov8分类#xff0c;目标检测#xff0c;实例分割#xff0c;关键点检测onnxruntime推理#xff0c;封装dll, labview调用dll#xff0c;支持同时加载多个模型并行推理#xff0c;可cpu/gpu, x86/x64位#xff0c;识别视频和图片#xff0c;cpu和gpu可选目标检测实例分割关键点检测onnxruntime推理封装dll, labview调用dll支持同时加载多个模型并行推理可cpu/gpu, x86/x64位识别视频和图片cpu和gpu可选只需要替换模型的onnx和names即可源码和库函数推理速度很快还有trt模型推理。 同时还有标注训练源码(labview编写后台调用python)在计算机视觉领域YOLOv8 无疑是一颗耀眼的明星它的高效与准确令人称赞。今天咱们就来聊聊如何在 LabVIEW 中玩转 YOLOv8实现分类、目标检测、实例分割以及关键点检测并且通过onnxruntime 推理还能封装成 DLL 供 LabVIEW 调用支持多模型并行推理无论是 CPU 还是 GPUx86 还是 x64 位系统都能轻松驾驭同时还能识别视频和图片这可太实用了一、onnxruntime 推理实现首先讲讲onnxruntime 推理。onnxruntime 是一个跨平台的机器学习推理加速器能很好地与 YOLOv8 的 ONNX 模型配合。下面以一段简单的 Python 代码示例展示如何使用onnxruntime 进行目标检测推理import onnxruntime import numpy as np # 加载ONNX模型 ort_session onnxruntime.InferenceSession(yolov8n.onnx) # 假设我们有预处理好的图像数据 image_data np.random.rand(1, 3, 640, 640).astype(np.float32) # 运行推理 outputs ort_session.run(None, {images: image_data})在这段代码中我们先通过onnxruntime.InferenceSession加载了 YOLOv8 的 ONNX 模型。然后准备了随机生成的图像数据实际应用中肯定是从图片或视频帧获取并预处理好的数据最后通过ort_session.run方法运行推理得到输出结果。这些输出结果经过后续处理就能获取到目标检测的相关信息比如目标的类别、位置等。二、封装 DLL为了方便在 LabVIEW 中调用我们需要把这些推理功能封装成 DLL。以 C 为例利用 ONNX Runtime C API 来封装#include onnxruntime_cxx_api.h #include iostream #include vector extern C __declspec(dllexport) void runYoloInference(float* image_data, float* output_data) { Ort::Env env(ORT_LOGGING_LEVEL_ERROR, yolo_inference); Ort::SessionOptions session_options; session_options.SetGraphOptimizationLevel(GraphOptimizationLevel::ORT_ENABLE_ALL); Ort::Session session(env, yolov8n.onnx, session_options); Ort::AllocatorWithDefaultOptions allocator; const int64_t input_shape[] {1, 3, 640, 640}; Ort::Value input_tensor Ort::Value::CreateTensorfloat(allocator, image_data, 3 * 640 * 640, input_shape, 4); std::vectorconst char* input_names {images}; std::vectorconst char* output_names {output0}; std::vectorOrt::Value output_tensors; session.Run(Ort::RunOptions{nullptr}, input_names.data(), input_tensor, 1, output_names.data(), output_tensors, 1); Ort::Value output_tensor output_tensors[0]; float* output output_tensor.GetTensorMutableDatafloat(); for (int i 0; i 1000; i) { output_data[i] output[i]; } }在这段 C 代码中我们定义了一个runYoloInference函数它接受输入图像数据指针和输出数据指针。在函数内部创建了 ONNX Runtime 的环境和会话准备输入张量并运行推理最后将推理结果复制到输出数据指针指向的内存区域。通过declspec(dllexport)声明这个函数就能被封装成 DLL 供其他程序调用比如 LabVIEW。三、LabVIEW 调用 DLL在 LabVIEW 中调用这个 DLL 也不难。首先在 LabVIEW 中创建一个调用库函数节点设置好 DLL 路径、函数名以及参数类型。假设我们之前封装的 DLL 名为yolo_inference.dll在 LabVIEW 前面板创建输入输出控件用于传递图像数据和接收推理结果。在程序框图中放置调用库函数节点设置库名称为yolo_inference.dll函数名称为runYoloInference。配置参数输入图像数据参数设置为float[]类型输出数据参数也设置为float[]类型。这样就能在 LabVIEW 中顺利调用封装好的 DLL 进行 YOLOv8 推理啦。四、多模型并行推理支持同时加载多个模型并行推理是个超酷的功能。在代码实现上可以利用多线程技术。比如在 Python 中使用concurrent.futures模块import concurrent.futures import onnxruntime import numpy as np def run_inference(model_path, image_data): ort_session onnxruntime.InferenceSession(model_path) outputs ort_session.run(None, {images: image_data}) return outputs models [yolov8n1.onnx, yolov8n2.onnx] image_data np.random.rand(1, 3, 640, 640).astype(np.float32) with concurrent.futures.ThreadPoolExecutor() as executor: futures [] for model in models: future executor.submit(run_inference, model, image_data) futures.append(future) results [] for future in concurrent.futures.as_completed(futures): results.append(future.result())在这段代码中定义了run_inference函数来运行单个模型的推理。然后通过ThreadPoolExecutor创建线程池提交多个模型的推理任务到线程池并行执行最后收集所有模型的推理结果。在实际应用到 LabVIEW 中时结合之前封装的 DLL通过合理的线程管理就能实现多模型并行推理大大提高处理效率。五、标注与训练源码LabVIEW 编写后台调用 Python最后说说标注与训练源码。通过 LabVIEW 编写界面后台调用 Python 脚本来实现标注和训练功能。比如在 LabVIEW 中使用系统命令节点调用 Python 标注脚本在 LabVIEW 程序框图中放置系统命令节点。设置命令行参数为python labelscript.py其中labelscript.py是实现标注功能的 Python 脚本。可以传递相关参数比如数据集路径等给 Python 脚本。对于训练部分同样如此通过系统命令节点调用训练的 Python 脚本像python train_script.py --model yolov8n --data data.yaml这样就能方便地在 LabVIEW 界面控制下利用 YOLOv8 进行训练了。总之通过以上一系列操作我们在 LabVIEW 中构建了一个功能强大的 YOLOv8 视觉处理系统无论是推理速度还是功能的多样性都表现出色无论是处理图片还是视频都游刃有余而且无论是 CPU 还是 GPU 环境不同架构的系统都能很好适配源码和库函数的结合也让开发者能够轻松拓展和优化。希望这篇博文能给大家在相关项目开发中带来启发和帮助