一：YOLOv5简介：

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；
基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；
Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；
Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

二：思路

1.YOLOv5环境搭建：百度

2.数据集标注及训练：百度

3.模型训练：以上两步完成的情况下，一键训练

4模型导出：pt模型转onnx模型，以实现opencv的dnn模块推理，一键导出

5.C++封装动态链接库

6.VM算法模块调用封装好的动态链接库

7.模块打包测试

三：过程

C++封装动态链接库：

1.vs下安装配置opencv

2.封装推理函数DLL  以下给出关键推理部分

void YoloV5::detect(const cv::Mat& mat, std::vector<Result>& detected_boxes,
float score_threshold, float iou_threshold)
{
if (mat.empty()) return;
// this->transform(mat);
const int input_height = input_node_dims.at(2);
const int input_width = input_node_dims.at(3);
int img_height = static_cast<int>(mat.rows);
int img_width = static_cast<int>(mat.cols);

// resize & unscale
cv::Mat mat_rs;
YoloV5ScaleParams scale_params;
this->resize_unscale(mat, mat_rs, input_height, input_width, scale_params);

// 1. make input tensor
Ort::Value input_tensor = this->transform(mat_rs);
// 2. inference scores & boxes.
auto output_tensors = ort_session->Run(
Ort::RunOptions{ nullptr }, input_node_names.data(),
&input_tensor, 1, output_node_names.data(), num_outputs
);

//3. rescale & exclude & nms
generate_bboxes_nms(scale_params, detected_boxes, output_tensors, score_threshold, iou_threshold, img_height, img_width);
}

3.封装其他函数，加载模型和类别，设置阈值等

VM算法模块调用封装好的动态链接库

1.借助工具生成三个工程

2.配置简单界面

3.调用已封装好的动态链接库：

    1.复制所需dll到VM的公共文件夹下

    2.编写算法模块

    3.调试

  （这部分站内已有详细教程）

四：结果（附件有测试视频）