在Jetson Nano上进行实时目标检测：使用tensorRT加速yolov3 v4-tiny (tensorrt_demos)

墨蓝 2022-11-10 10:57 331阅读 0赞

> ### 文章目录 ###
> 
>  *   *  前言
>      *  正文
>      *   *   *  环境说明
>              *  基本思路
>              *  项目代码
>              *  操作步骤
>      *  检测结果
>      *  写在最后

## 前言 ##

--------------------

本文主要通过实现github上的[tensorrt\_demos][tensorrt_demos]项目达到实时检测效果。

参考原文：[Jetson Nano实现基于YOLO-V4及TensorRT的实时目标检测][Jetson Nano_YOLO-V4_TensorRT]。**感谢**知乎博主*Lynn*在此文中提供的宝贵思路，此文全当是对其操作内容的补充。

**刚开始接触嵌入式和深度学习实战**，对很多工程步骤都还不了解，这三天反复尝试对深度学习框架使用**TensorLite**和**tensorRT**进行加速，以达到实时检测的效果，多次尝试最后实现的**TensorLite + mobilev1-300**效果并不理想，在JetsonNano上只有**5~10fps**的速度，但是使用**tensorRT + yolov4-tiny**的组合可以成功达到**40~50fps**的检测速度。  
.

## 正文 ##

--------------------

#### 环境说明 ####

*  Jetpack 4.4
 *  CUDA 10.2
 *  ONNX `1.4.1`

#### 基本思路 ####

`yolo模型(.weights + .cfg) → onnx文件(.onnx) → tensorRT模型(.trt)`

#### 项目代码 ####

[https://github.com/jkjung-avt/tensorrt\_demos][tensorrt_demos]

#### 操作步骤 ####

下载完项目代码后提取解压，进入`yolo`文件夹中，可以看到如下文件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center]  
读文件的名字不难猜到各个文件的作用：`requirements.txt`文件中注明了python各个库(比如numpy)的最低版本，如果没有满足需求需要手动更新库。而`download_yolo.sh`打开就可以看出来是下载各个模型和生成模型文件的批处理文件。  
运行`download_yolo.sh`文件

sh download_yolo.sh

然后会从darknet的github代码库下载.weights和.cfg模型文件，以及生成不同尺度的模型文件，如下(此处本人修改了`download_yolo.sh`，仅下载和生成**yolov4-tiny**相关的文件)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center 1]  
模型文件准备完毕，如果此时直接运行`yolo_to_onnx.py`文件会报错

ERROR: failed to load ../plugins/libyolo_layer.so.  
    Did you forget to do a "make" in the "../plugins/" subdirectory?

原因是没有编译部分文件，那么根据提示，进入到上一级的`plugins`文件夹中进行编译

make

没报错就说明你运气好 没有问题了。  
在这之后，再执行`yolo_to_onnx.py`文件，将之前得到的模型生成文件传入，此处选用的是`yolov4-tiny-288`

python3 yolo_to_onnx.py -m yolov4-tiny-288

之后就会生成一个`.onnx`格式的文件，此时再运行`onnx_to_tensorrt.py`文件，指定`.onnx`文件的模型名字(还是`yolov4-tiny-288`没变)

python3 onnx_to_tensorrt.py -m yolov4-tiny-288

就可以生成最终我们需要的`.trt`文件，这个文件就是经过tensorRT优化后的模型文件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center 2]

回到上一级文件夹中，运行`trt_yolo.py`文件，输入模型的视频输入方式和模型名称就可以开始执行检测任务。由于我使用的是usb摄像头，所以输入的参数如`--usb`，如果使用的是csi或者视频，可以直接到`utils/camera.py`文件中翻阅对应的说明

python3 trt_yolo.py --usb 0 -m yolov4_tiny-288

## 检测结果 ##

检测结果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center 3]  
差不多达到**40fps**，实时性很好；在没有调节摄像头导致欠曝的情况下还能准确地识别出显示器和键盘(基于**coco数据集**)，整体水平表现良好。  
.

## 写在最后 ##

*记录思路——这是花时间写这篇文章的目的之一。 如果你也刚接触深度学习实践，那么不妨看看*

*  提到深度学习应用落实，对于我这种新手，前几天都是漫无目的地在百度上找各种帖子，跟着各种教程帖来，出问题搜不到解决方案就卡死了。花了一天找到一个时间近些、跑的通的教程帖就算没有一无所获——总的来说，**不清楚一个大致的解决问题的方向**是最大的问题。
 *  这个过程经过几天的反复后，才逐渐发现一种以**教程帖 - Github/OfficialGuidance - ManualOperating**的“标准流程”：先筛选一些带有Github和官方(如tf官方)指导内容的教程贴(少参阅一些直接贴代码或者无法索引源头的帖子)，再去Github或者官网进行**文献代码查阅**，然后再在跑通例程的基础上自己编程实现需要的功能，一定要多看一些官方(Github/官网)的代码的项目，节约生命。

[tensorrt_demos]: https://github.com/jkjung-avt/tensorrt_demos
[Jetson Nano_YOLO-V4_TensorRT]: https://zhuanlan.zhihu.com/p/199076675
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/1be6bb63b63b4cd289e7045462297533.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/2021031818471013.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20210318191406428.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20210318192719469.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA==,size_16,color_FFFFFF,t_70#pic_center