部署预训练模型是机器学习中的一项常见任务，尤其是在使用不支持某些框架（如 PyTorch）的硬件时。本指南全面概述了如何从 PyTorch 导出预训练的 YOLO 系列模型并使用 OpenCV 的 DNN 框架部署它们。出于演示目的，我们将重点介绍YOLOX模型，但该方法也适用于其他受支持的模型。
目前OpenCV支持以下YOLO模型：
- 优洛克斯
- 尤洛纳斯
- YOLOv10，
- YOLOv9，
- YOLOv8，
- YOLOv7，
- YOLOv6，
- YOLOv5，
- YOLOv4。
此支持包括特定于这些模型的预处理和后处理例程。虽然 OpenCV 也支持 Darknet 格式的其他旧版 YOLO，但它们超出了本教程的范围。
假设我们已经成功训练了 YOLOX 模型，接下来的步骤是使用 OpenCV 导出并运行该模型。在继续此过程之前，有几个关键注意事项需要解决。让我们深入研究这些方面。
YOLO 的预处理和输出
了解与 YOLO 系列检测器相关的输入和输出的性质至关重要。这些检测器与大多数深度神经网络 (DNN) 类似，通常根据模型的规模表现出输入大小的变化。
此表提供了快速参考，以了解各种 YOLO 模型输入中常用的不同输入维度。这些是标准输入形状。如果输入尺寸与表中提到的尺寸不同，请确保使用您训练模型时使用的输入尺寸。
该过程中的下一个关键要素涉及了解 YOLO 检测器的图像预处理细节。虽然基本预处理方法在 YOLO 系列中保持一致，但必须考虑一些细微但关键的差异，以避免性能下降。其中最关键的是resize type和padding value应用的后调整大小。例如，YOLOX 模型使用LetterBox调整大小方法和填充值114.0。必须确保这些参数以及归一化常数与要导出的模型适当匹配。
至于模型的输出，它通常采用尺寸为 [BxNxC+5] 或 [BxNxC+4] 的张量形式，其中“B”表示批大小，“N”表示锚点数量，“C”表示类别数量（例如，如果模型是在 COCO 数据集上训练的，则为 80 个类别&
