本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。

B站配套视频：https://www.bilibili.com/video/BV1or421T74f

背景基础

在之前的课程里面我们已经把v5的内容进行了充分的描述，从这篇博客开始将开始关于yolov8在C++上的部署。

首先我们需要知道v5和v8之间的区别，v5的功能主要集中在分类，具体的使用方法我们也已经全部说明。

v8除了分类以外还可以实现关键点跟踪和图像分割，所以在产品多样性方面v8更具有优势。

图上是yolov8的github给出的示例，分类、检测、分割、追踪、关键点识别。如果需要在产品上有更多的应用，yolov8属于必须学习的部分了。

关于yolov8的模型修改

这一步和yolov5的道理相同，如果你熟悉yolov8也会知道v8在输出头方面做了不小的修改，从原来v5版本3个改成了2个。但是整个推理过程还是一样的，预处理、推理、后处理。同样修改部分都在后处理上，所以还是一样，我们需要在训练完成之后修改v8的代码去除后处理部分。主要修改是两个位置：

位置一：nn/modules/head.py 40行～50行左右位置

修改部分一

<code>print('自定义的模型初始化...')

self.conv1x1 = nn.Conv2d(16,1,1, bias=False).requires_grad_(False)

xx = torch.arange(16, dtype=torch.float)

self.conv1x1.weight.data[:] = nn.Parameter(xx.view(1,16,1,1))

修改部分二

y = []

for i in range(self.nl):

t1 = self.cv2[i](x[i])

t2 = self.cv3[i](x[i])

y.append(self.conv1x1(t1.view(t1.shape[0], 4, 16, -1).transpose(2,1).softmax(1)))

y.append(t2)

return y

位置二：engine/model.py 130行～150行左右

修改内容：

<code> import torch

self.model.fuse()

self.model.eval()

self.model.load_state_dict(torch.load('weights/yolov8.dict.pt', map_location='cpu'), strict=False)code>

dummy_input = torch.randn(1, 3, 640, 640)

input_names = ["data"]

output_names = ["reg1","cls1","reg2","cls2","reg3","cls3"]

torch.onnx.export(self.model, dummy_input, "weights/yolov8.dict.onnx", verbose=True,input_names=input_names,output_names=output_names, opset_version=11)

print("done!")

项目目录新建脚本export-onnx.py