yolov5在不久前更新了v6.0，主要更新为引入更小的Nano模型（yolov5n），模型保持了yolov5s的深度，宽度则是从0.5降到0.25,模型的总参数减少了 75%，从 7.5M 缩小到了 1.9M，非常适合于移动端或者是 CPU 的环境。
整合了 Roboflow
- roboflow公开了很多非常有用的数据集，在 v6.0 上可以直接使用他们的数据集
支持 tensorflow 和 keras模型的导出
- 使用 python export.py --include saved_model pb tflite tfjs 就可以完成 tensorFlow、keras、tflite 和 tf.js 模型的导出
同时支持 OpenCV DNN 和 ONNX Runtime
- 导出的 onnx 同时支持 opencv dnn 和 onnx runtime
python export --weights yolov5s.pt --include onnx --opset 12 --dynamic
- 在检测的时候也可以使用指定的 onnx
python detect.py --weights yolov5s.onnx --dnn
模型结构
- 用 Conv(k=6, s=2, p=2) 代替 Focus 层，主要是为了方便模型导出
- 使用 SPPF 代替 SPP 层
- 减少 P3 主干层 C3
- 将 SPPF 放在主干的后面
- 在最后一个 C3 主干层中重新引入快捷方式更新超参数
增加了 Flask REST API
- 提供了 web api 的支持，远端测试非常方便
参考这个项目
该项目提供了一大批常见模型的转TensorRT的方法，在yolov5 v6.0版本出来后不久就已经支持
按照操作流程将yolov5训练得到的参数文件转化为tensorrt支持的文件（例如：yolov5n.pt->yolov5n.wts->yolov5n.engine）
-
上面提到的项目里面包含了加载.engine文件到输出检测信息的代码实现流程，但是只有部分是被需要的。本项目提炼了实现这一流程的代码，并将其模块化
-
检测流程需要设置一些超参数，本项目将通过launch加载.yaml文件来实现便捷更改超参数，主要包含的参数如下：
device: 0 nms: 0.45 conf: 0.50 batch_size: 1 input_h: 640 input_w: 640 class_num: 80 -
本项目建立了target_bbox_msgs消息功能包，用于发布或订阅目标检测结果，消息主要包含以下内容：
BoundingBox.msg
float32 probability #置信度 uint16 xmin #包围框左上点x uint16 ymin #包围框左上点y uint16 xmax #包围框右上点x uint16 ymax #包围框右上点y uint16 id #跟踪ID uint16 img_width #图宽 uint16 img_height #图长 int32 center_dist #中心点到相机距离 string class_id #目标类别BoundingBoxes.msg
std_msgs/Header header #图像头 BoundingBox[] bounding_boxes #目标的信息 -
最终还会发布框选、标注后的图像，本项目以coco数据集为例，通过coco_name.hpp加载类别名称和颜色信息 如果是自己训练的模型，只需要按照格式修改这个文件即可
- 该项目暂时不包括目标跟踪和测距的功能，相关参数为预留
- 以下为转换好了的engine文件，下载后放至yolov5_tensorrt/weights目录
链接: https://pan.baidu.com/s/1tgnOVQtG-jl-2CIf9E2-uA 密码: 72oe
- 相关版本
ROS2-foxy
OpenCV4
TensorRT8.0.1.6
- 将功能包下载到自己的ROS2工作空间，然后编译：
colcon build
- 使用以下命令运行：
ros2 launch yolov5_tensorrt yolov5_tensorrt_launch.py
