將目標檢測模型導出到C++|RT-DETR、YOLO-NAS、YOLOv10、YOLOv9、YOLOv8
最近，出現了更新的YOLO模型，還有RT-DETR模型，這是一個聲稱能擊敗YOLO模型的變換器模型，我想將這些模型導出并進行比較，并將它們添加到我的庫中。在這篇文章中，我將帶你了解如何將這些模型導出到ONNX并運行它們，然后最終比較這些模型的速度。
將RT-DETR模型導出到ONNX
這是從模型的GitHub頁面獲取的模型示例輸出
為了導出模型，我們需要從模型的GitHub倉庫克隆代碼（https://github.com/lyuwenyu/RT-DETR）。我將向你展示如何導出模型的第二個版本。如果你想使用第一個版本，導出步驟應該是類似的。
git clone https://github.com/lyuwenyu/RT-DETR.git
cd RT-DETR/rtdetrv2_pytorch然后我們需要創建一個Python虛擬環境來運行代碼。如果你已經有一個工作的環境，那么你可以跳過這一步。
python -m venv rtdetrv2-env
source rtdetrv2-env/bin/activate
pip install -r requirements.txt
pip install scipy代碼需要scipy庫，但它不在需求文件中，你需要手動安裝。然后我們需要下載coco數據集的YAML配置文件和模型。我們將在這里下載的模型是中等大小的模型。你可以在這里找到其他模型的鏈接。
mkdir models
cd models
wget -c https://github.com/lyuwenyu/storage/releases/download/v0.1/rtdetrv2_r34vd_120e_coco_ema.pth
wget -O dataset/coco_detection.yml https://raw.githubusercontent.com/ultralytics/ultralytics/main/ultralytics/cfg/datasets/coco.yaml現在我們可以導出模型了。請注意，如果你改變了模型大小，那么你需要更改下面的配置文件路徑以匹配模型。
python tools/export_onnx.py -c configs/rtdetrv2/rtdetrv2_r34vd_120e_coco.yml -r models/rtdetrv2_r34vd_120e_coco_ema.pth --check現在你有了你的模型（在rtdetrv2_pytorch目錄中的model.onnx文件）。你可以進入運行模型部分。
將YOLO-NAS導出到ONNX
與模型的GitHub頁面上的其他模型相比，YOLO-NAS模型
為了導出YOLO-NAS模型，你需要安裝super_gradients庫，然后運行以下Python代碼。模型變體是YOLO_NAS_S、YOLO_NAS_M、YOLO_NAS_L。
from super_gradients.training import models
from super_gradients.common.object_names import Models
model = models.get(Models.YOLO_NAS_S, pretrained_weights="coco")
model.eval()
model.prep_model_for_conversion(input_size=[1, 3, 640, 640])
model.export("yolo_nas_s.onnx", postprocessing=None, preprocessing=None)現在你有了你的模型（yolo_nas_s.onnx文件）。你可以進入運行模型部分。
將YOLOv10導出到ONNX
與模型的GitHub頁面上的其他模型相比，YOLOv10模型的延遲
我們需要克隆GitHub倉庫（https://github.com/THU-MIG/yolov10）并創建一個Conda環境來運行導出代碼。
git clone https://github.com/THU-MIG/yolov10.git
cd yolov10
conda create -n yolov10-env python=3.9
conda activate yolov10-env
pip install -r requirements.txt
pip install -e .現在我們需要導出模型。模型的前綴是jameslahm/，支持的模型有yolov10n、yolov10s、yolov10m、yolov10b、yolov10l、yolov10x。
yolo export model=jameslahm/yolov10m format=onnx opset=13 simplify現在你有了你的模型（yolov10目錄中的yolov10m.onnx文件）。你可以進入運行模型部分。
將YOLOv9導出到ONNX
與模型的GitHub頁面上的其他模型相比，YOLOv9模型的參數數量
為了導出YOLOv9，你需要有一個工作的正常安裝的docker。你可以啟動一個容器并導出模型。你可以在這里找到模型文件。
# Create an empty directory and cd into it
git clone https://github.com/WongKinYiu/yolov9.git
# Now we have yolov9 folder in out current directory. Then we run the following line:
docker run --name yolov9 -it -v `pwd`:`pwd` -w `pwd` --shm-size=64g nvcr.io/nvidia/pytorch:21.11-py3
# Install dependencies
apt update
apt install -y zip htop screen libgl1-mesa-glx
pip install seaborn thop
cd yolov9
# Download the model
wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-s.pt
# Export the model
python export.py --weights yolov9-s.pt --include onnx現在你有了你的模型（yolov9目錄中的yolov9-s.onnx文件）。你可以進入運行模型部分。
將YOLOv8導出到ONNX
與模型的GitHub頁面上的其他模型相比，YOLOv8模型
將YOLOv8導出比其他模型更容易。你只需要安裝ultralytics并導出模型。支持的模型有yolov8n、yolov8s、yolov8m、yolov8l和yolov8x。如果你想的話，你可以創建一個虛擬環境來隔離安裝。
pip install ultralytics
wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt
yolo export model=yolov8n.pt format=onnx現在你有了模型（yolov8n.onnx文件），可以進入運行模型部分。
運行模型
現在你有了你想要導出的ONNX模型，你可以使用我編寫的庫來運行這些模型。你可以在這里找到這個庫。庫的README文件解釋了如何鏈接到庫。以下是如何使用庫中的RT-DETR模型的示例。
#include <objdetex/objdetex.h>
int main()
{
using namespace ObjDetEx;
Detector detector(Detector::RT_DETR, "<path/to/onnx/model>");
Size batchSize = 1;
double detectionThreshold = .6;
// Fill this with batchSizex3x640x640 image data
float *imagePtr = nullptr;
// Fill this with batchSizex2 dimension data, not needed for YOLO models
// NOTE: 2 is width and height of the original images before resizing to 640x640
int64_t *dimensionPtr = nullptr;
auto detections = detector(Tensor(imagePtr, {batchSize, 3, 640, 640}), //
Tensor(dimensionPtr, {batchSize, 2}), detectionThreshold);
// Use the detections
return 0;
}
