YOLOX目標檢測模型的推理部署
YOLOX目標檢測模型
曠視科技開源了內部目標檢測模型-YOLOX，性能與速度全面超越YOLOv5早期版本!
https://arxiv.org/pdf/2107.08430.pdfhttps://github.com/Megvii-BaseDetection/YOLOX
ONNX格式模型轉與部署
下載YOLOX的ONNX格式模型（github上可以下載）https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntimehttps://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx
下載ONNX格式模型，打開之后如圖：
官方說明ONNX格式支持OpenVINO、ONNXRUNTIME、TensorRT三種方式，而且都提供源碼，官方提供的源碼參考如下：輸入格式：1x3x640x640，默認BGR，無需歸一化。輸出格式：1x8400x85
https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo
本人就是參考上述的代碼然后一通猛改，分別封裝成三個類，完成了統一接口，公用了后處理部分的代碼，基于本人筆記本的硬件資源與軟件版本：
在三個推理平臺上測試結果如下：-GPU 3050Ti-CPU i7 11代-OS：Win10 64位-OpenVINO2021.4-ONNXRUNTIME：1.7-CPU-OpenCV4.5.4-Python3.6.5-YOLOX-TensorRT8.4.x
OpenVINO推理
TensorRT推理 - FP32
轉威FP16
TensorRT推理 - FP16
總結
之前我寫過一篇文章比較了YOLOv5最新版本在OpenVINO、ONNXRUNTIME、OpenCV DNN上的速度比較，現在加上本篇比較了YOLOX在TensorRT、OpenVINO、ONNXRUNTIME上推理部署速度比較，得到的結論就是：能不改代碼，同時支持CPU跟GPU推理是ONNXRUNTIMEOpenCV DNN毫無意外的速度最慢（CPU/GPU）CPU上速度最快的是OpenVINOGPU上速度最快的是TensorRT
原文標題：YOLOX在OpenVINO、ONNXRUNTIME、TensorRT上面推理部署與速度比較
文章出處：【微信公眾號：OpenCV學堂】歡迎添加關注！文章轉載請注明出處。
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規問題，請聯系本站處理。
舉報投訴
-
模型
+關注
關注
1文章
3521瀏覽量
50427 -
目標檢測
+關注
關注
0文章
225瀏覽量
16019 -
OpenCV
+關注
關注
32文章
642瀏覽量
42900
原文標題：YOLOX在OpenVINO、ONNXRUNTIME、TensorRT上面推理部署與速度比較
文章出處：【微信號：CVSCHOOL，微信公眾號：OpenCV學堂】歡迎添加關注！文章轉載請注明出處。
發布評論請先 登錄
相關推薦
熱點推薦
如何在魔搭社區使用TensorRT-LLM加速優化Qwen3系列模型推理部署
TensorRT-LLM 作為 NVIDIA 專為 LLM 推理部署加速優化的開源庫，可幫助開發者快速利用最新 LLM 完成應用原型驗證與產品部署。
大模型推理顯存和計算量估計方法研究
隨著人工智能技術的飛速發展，深度學習大模型在各個領域得到了廣泛應用。然而，大模型的推理過程對顯存和計算資源的需求較高，給實際應用帶來了挑戰。為了解決這一問題，本文將探討大模型
發表于 07-03 19:43
基于LockAI視覺識別模塊：C++目標檢測
快速部署高性能的目標檢測應用。
特點：
高性能：優化了推理速度，在保持高精度的同時實現了快速響應。
靈活性：支持多種預訓練模型，可以根據具體
發表于 06-06 14:43
labview調用yolo目標檢測、分割、分類、obb
labview調用yolo目標檢測、分割、分類、obb、pose深度學習，支持CPU和GPU推理，32/64位labview均可使用。
（yolov5~yolov12）
發表于 03-31 16:28
添越智創基于 RK3588 開發板部署測試 DeepSeek 模型全攻略
這也會帶來新問題，隨著模型參數增加，回復速度會明顯下降，實際應用中需根據需求權衡。使用 Ollama 工具部署的推理模型運行時主要依賴 CPU 運算。從運行監測數據能看到，模型回復時
發表于 02-14 17:42
摩爾線程宣布成功部署DeepSeek蒸餾模型推理服務
近日，摩爾線程智能科技(北京)有限責任公司在其官方渠道發布了一則重要消息，宣布公司已經成功實現了對DeepSeek蒸餾模型推理服務的部署。這一技術突破，標志著摩爾線程在人工智能領域邁出了堅實的一步
采用華為云 Flexus 云服務器 X 實例部署 YOLOv3 算法完成目標檢測
一、前言 1.1 開發需求 這篇文章講解：?采用華為云最新推出的 Flexus 云服務器 X 實例部署 YOLOv3 算法，完成圖像分析、目標檢測。 隨著計算機視覺技術的飛速發展，深度學習模型
AI模型部署邊緣設備的奇妙之旅：目標檢測模型
以及邊緣計算能力的增強，越來越多的目標檢測應用開始直接在靠近數據源的邊緣設備上運行。這不僅減少了數據傳輸延遲，保護了用戶隱私，同時也減輕了云端服務器的壓力。然而，在邊緣端部署高效且準確的目標
發表于 12-19 14:33
高效大模型的推理綜述
大模型由于其在各種任務中的出色表現而引起了廣泛的關注。然而，大模型推理的大量計算和內存需求對其在資源受限場景的部署提出了挑戰。業內一直在努力開發旨在提高大
在樹莓派上部署YOLOv5進行動物目標檢測的完整流程
卓越的性能。本文將詳細介紹如何在性能更強的計算機上訓練YOLOv5模型，并將訓練好的模型部署到樹莓派4B上，通過樹莓派的攝像頭進行實時動物目標檢測
YOLOv6在LabVIEW中的推理部署（含源碼）
YOLOv6 是美團視覺智能部研發的一款目標檢測框架，致力于工業應用。如何使用python進行該模型的部署，官網已經介紹的很清楚了，但是對于如何在LabVIEW中實現該
手冊上新 |迅為RK3568開發板NPU例程測試
yolov5目標檢測
6.13 yolov5-seg語義分割
6.14 yolov6目標檢測
6.15 yolov7目標
發表于 10-23 14:06
手冊上新 |迅為RK3568開發板NPU例程測試
yolov5目標檢測
6.13 yolov5-seg語義分割
6.14 yolov6目標檢測
6.15 yolov7目標
發表于 08-12 11:03
LLM大模型推理加速的關鍵技術
LLM（大型語言模型）大模型推理加速是當前人工智能領域的一個研究熱點，旨在提高模型在處理復雜任務時的效率和響應速度。以下是對LLM大模型
工商網監
評論