这是最近的任务。尝试本科竞赛的内容。应该没有大问题。只是一个博客。
首先下载数据集，提取代码wwsj
查看数据集是JSON格式。训练集和测试集被标记（总计110）。其余的应由自己手动标记。但是，由于它只是作业，并且不参加比赛，因此它直接被培训为小型数据数量样本。
目前，数据量很小，显然是目标检测任务，它涉及算法实现的问题，因此您必须在开始之前澄清自己的思想，并考虑每一步该做什么。
由于这是对家庭作业的快速实现，因此有必要“站在巨人的肩膀上”，因此大多数都在Internet开源代码上使用。
从网络磁盘下载数据，因为数据量很小，因此训练和测试都用于培训，总共有110张图片。然后将数据集转到VOC格式
数据集如下
准备好数据集，然后找到一个良好的培训模型。为了方便部署，我在这里选择了Yolox。当以后转向ONNX格式或其他问题无法转换时，大多数其他型号将是不兼容的。为简单起见，请直接选择Yolox，并使用您自己的代码代码打开ONNX和TRT。
Yolox克隆后，更改相应的类别数量，类别的名称，将您刚刚准备好的数据复制到数据集。下载YOLOX_S的预训练模型，然后默认要更改300epochif，启动火车（用于保存，直接半精度训练），您可以转到yolox_base.py更改max_epoch。训练需要很短的时间，很快就可以在训练场上获得表现良好的模型。
然后验证模型效果
使用模型预测图片
OPENCV不支持中文显示。通常，需要其他字符库或重写putText。当然，您还可以尝试使用PIL的ImageDraw绘制图片，这等同于重写绘图功能。
我们目前得到的是Pytorch生成的PTH。我们的目标是ONNX和TRT。我们可以使用export_onnx.py获取ONNX文件。由于具有ONNXSIM，因此优化了转换模型，并且大小将比PTH小得多。
trt.py可以获取trt的.ngine文件，但是如果您想要trt文件。此时
可以将此部分引用到Yolox中的演示/张力下的CPP以进行模仿，也可以根据Tensorrt附带的一个示例来重写，并且也可以参考一些在线开源代码。如果您想快速实现，可以参考此https://gitee.com/xiaoyuercv/tensorrt-yolox/tree/master
内部的cmakelists根据自己的路径介绍库和链接，然后其代码中有一个很小的位置，需要自行添加。这应该是最近已经更新了Tensorrt。
基本上无需移动其他地方，只需更改您自己的类别和一些参数即可。然后根据您的需求添加一些功能。例如，我想在每张图片，信心和总价中获取产品的名称
目前，输入图片路径进行检测。在后期，您可以将其重写以用捕获捕获相机来检测它。当然，您还可以使用Python构建一个简单的API来直接调用预测模型。我必须说，确实是牛皮，YoLox培训对效果很好，而其他模型也不是理想的选择。之前的数据。
配置一系列环境，例如Tensorrt，Torch2trt，Apex，OpenCV ...应该平滑。如果有问题，您可以与评论区域进行讨论。如果还有更多问题，我将拥有一个配置环境的博客。
原始：https：//juejin.cn/post/7097091846806962213