使用onnxruntime-web 运行yolov8-nano推理

ONNX（Open Neural Network Exchange）模型具有以下两个特点促成了我们可以使用onnxruntime-web 直接在web端上运行推理模型，为了让这个推理更直观，我选择了试验下yolov8 识别预览图片：

1. 跨平台兼容性

ONNX 是一种开放的格式，可以在不同的深度学习框架之间共享模型，如 PyTorch、TensorFlow、MXNet 和 Caffe2。这使得用户可以在一个框架中训练模型，然后在另一个框架中进行推理。

2. 模型标准化

ONNX 提供了一种标准化的模型表示，定义了操作符、数据类型和模型结构。这种标准化使得不同工具和库可以一致地理解和处理模型。

3. 高效性

ONNX 模型在推理时通常能够实现更高的效率，特别是在使用 ONNX Runtime 时。ONNX Runtime 是一个高性能的推理引擎，支持多种硬件加速（如 GPU、TPU 等）。

YOLOv8n 是 YOLOv8 系列中的 "nano" 版本，通常是指模型较小，参数较少，计算需求低。适合在资源受限的环境中使用，如移动设备和嵌入式系统。

首先需要下载这两个模型

yolov8n.onnx

nms-yolov8.onnx

https://huggingface.co/SpotLab/YOLOv8Detection/blob/3005c6751fb19cdeb6b10c066185908faf66a097/yolov8n.onnx

关于这两个模型可以多说两句，YOLOv8 和非极大值抑制（NMS）是目标检测任务中的两个关键组成部分。它们一起工作，以实现高效且精确的目标检测。以下是它们如何协同工作的详细说明：

1. YOLOv8 的工作原理

• 目标检测：YOLOv8 模型接收输入图像，并通过其深度神经网络对图像进行处理，生成多个候选边界框和相应的置信度分数。这些边界框用于定位检测到的对象。
• 多类别检测：模型还能为每个边界框预测对象的类别，通常是通过 softmax 函数生成类别概率。

2. NMS 的作用

• 去除冗余检测：由于模型可能会为同一对象生成多个重叠的边界框，NMS 被用来过滤这些冗余的框。NMS 通过以下步骤工作：
  • 排序：根据置信度分数对所有预测框进行排序，选择置信度最高的框作为参考框。
  • 计算重叠：计算参考框与其他框之间的交并比（IoU）。
  • 阈值过滤：如果其他框与参考框的 IoU 超过设定的阈值，则认为这些框是冗余的，并将其移除。
  • 重复处理：对剩余框重复上述过程，直到所有框都被处理完。

3. 工作流程

1. 输入图像：将图像输入到 YOLOv8 模型。
2. 生成候选框：模型输出多个候选边界框和相应的置信度分数。
3. 应用 NMS：
   • 将所有候选框传递给 NMS。
   • NMS 处理并返回最终的边界框和类别标签，去除了冗余框，确保每个对象只保留一个最优框

使用python 代码进行检测的时候是这样用的

# 假设 model 是 YOLOv8 模型，image 是输入图像
boxes, scores, class_ids = model.predict(image)# 应用 NMS
final_boxes, final_scores, final_class_ids = nms(boxes, scores, threshold)# 结果可视化
for box, score, class_id in zip(final_boxes, final_scores, final_class_ids):draw_box(image, box, score, class_id)

在web项目里使用onnxruntime-web 要简单些

import React, { useState, useRef } from "react";
import cv from "@techstark/opencv-js";
import { Tensor, InferenceSession } from "onnxruntime-web";
import Loader from "./components/loader";
import { detectImage } from "./utils/detect";
import { download } from "./utils/download";
import "./style/App.css";const App = () => {const [session, setSession] = useState(null);const [loading, setLoading] = useState({ text: "Loading OpenCV.js", progress: null });const [image, setImage] = useState(null);const inputImage = useRef(null);const imageRef = useRef(null);const canvasRef = useRef(null);// Configsconst modelName = "yolov8n.onnx";const modelInputShape = [1, 3, 640, 640];const topk = 100;const iouThreshold = 0.45;const scoreThreshold = 0.25;// wait until opencv.js initializedcv["onRuntimeInitialized"] = async () => {const baseModelURL = `${process.env.PUBLIC_URL}/model`;// create sessionconst url =`${baseModelURL}/${modelName}`console.log(`url:${url}`)const arrBufNet = await download(url, // url["加载 YOLOv8", setLoading] // logger);const yolov8 = await InferenceSession.create(arrBufNet);const arrBufNMS = await download(`${baseModelURL}/nms-yolov8.onnx`, // url["加载 NMS model", setLoading] // logger);const nms = await InferenceSession.create(arrBufNMS);// warmup main modelsetLoading({ text: "model 预热...", progress: null });const tensor = new Tensor("float32",new Float32Array(modelInputShape.reduce((a, b) => a * b)),modelInputShape);await yolov8.run({ images: tensor });setSession({ net: yolov8, nms: nms });setLoading(null);};return (<div className="App">{loading && (<Loader>{loading.progress ? `${loading.text} - ${loading.progress}%` : loading.text}</Loader>)}<div className="header"><h1>onnxruntime-web 测试</h1></div><div className="content"><imgref={imageRef}src="#"alt=""style={{ display: image ? "block" : "none" }}onLoad={() => {detectImage(imageRef.current,canvasRef.current,session,topk,iouThreshold,scoreThreshold,modelInputShape);}}/><canvasid="canvas"width={modelInputShape[2]}height={modelInputShape[3]}ref={canvasRef}/></div><inputtype="file"ref={inputImage}accept="image/*"style={{ display: "none" }}onChange={(e) => {// handle next image to detectif (image) {URL.revokeObjectURL(image);setImage(null);}const url = URL.createObjectURL(e.target.files[0]); // create image urlimageRef.current.src = url; // set image sourcesetImage(url);}}/><div className="btn-container"><buttononClick={() => {inputImage.current.click();}}>打开图片</button>{image && (/* show close btn when there is image */<buttononClick={() => {inputImage.current.value = "";imageRef.current.src = "#";URL.revokeObjectURL(image);setImage(null);}}>关闭图片</button>)}</div></div>);
};export default App;

• session 用于存储模型的推理会话。
• loading 用于管理加载状态和进度。
• image 存储用户选择的图像。
• inputImage、imageRef 和 canvasRef 是对 DOM 元素的引用。

上面加载的顺序是 在 OpenCV.js 加载完成后，异步加载 YOLOv8 和 NMS 模型。使用 download 函数从指定 URL 下载模型，并创建推理会话。模型有个预热的过程

创建一个形状为 const modelInputShape = [1, 3, 640, 640]  的空张量，并运行一次模型以进行预热，确保模型准备就绪。

页面使用 <canvas> 元素来绘制检测结果。

运行测试下效果

web使用onnx这个事给我很多启发，之前训练的一些模型完全可以在前端就实现推理