FastDeploy/examples/vision/detection/yolor

YOLOR准备部署模型

• YOLOR部署实现来自YOLOR的代码，和基于COCO的预训练模型。

  • （1）官方库提供的*.pt通过导出ONNX模型操作后，可进行部署，*.pose模型不支持部署；
  • （2）自己数据训练的YOLOR模型，按照导出ONNX模型操作后，参考详细部署文档完成部署。

导出ONNX模型

访问YOLOR官方github库，按照指引下载安装，下载yolor.pt 模型，利用 models/export.py 得到onnx格式文件。如果您导出的onnx模型出现精度不达标或者是数据维度的问题，可以参考yolor#32的解决办法

#下载yolor模型文件
wget https://github.com/WongKinYiu/yolor/releases/download/weights/yolor-d6-paper-570.pt

# 导出onnx格式文件
python models/export.py  --weights PATH/TO/yolor-xx-xx-xx.pt --img-size 640

下载预训练ONNX模型

为了方便开发者的测试，下面提供了YOLOR导出的各系列模型，开发者可直接下载使用。（下表中模型的精度来源于源官方库）

模型	大小	精度
YOLOR-P6-1280	143MB	54.1%
YOLOR-W6-1280	305MB	55.5%
YOLOR-E6-1280	443MB	56.4%
YOLOR-D6-1280	580MB	57.0%
YOLOR-D6-1280	580MB	57.3%
YOLOR-P6	143MB	-
YOLOR-W6	305MB	-
YOLOR-E6	443MB	-
YOLOR-D6	580MB	-
YOLOR-D6	580MB	-

详细部署文档

• Python部署
• C++部署

版本说明

• 本版本文档和代码基于YOLOR weights 编写