Jetson Nano 部署(1)：YOLOv5 目标检测实战介绍

系列博文介绍：如何将YOLOv5部署到Nvidia的Jetson Nano 开发版上，对视频进行目标检测处理。
在这里插入图片描述

YOLOv5介绍

在这里插入图片描述
YOLOv5是最近非常流行的目标检测深度学习算法，与其他深度学习算法如EfficientDet相比，其在推理速度和精度上均有较好的性能。本博文针对YOLOv5 4.0进行实战部署介绍，YOLOv5 4.0有4个版本分别为s, m,l,x，本文介绍如何将YOLOv5s部署到Jetson Nano开发版上。如果想对YOLOv5原理的了解，可参考博客：YOLOv5 原理及实战介绍

Jetson Nano部署环境

在这里插入图片描述
上图是搭建的Jetson Nano开发平台，红框部分就是开发版，连接有网线、摄像头、以及键盘、鼠标。

Nvidia 视频分析软件栈

在这里插入图片描述
上图所示是Nvidia视频分析的软件栈的架构：底下的是的计算平台比如Jetson和T4等，再上面一层是CUDA-X包括CUDA、Tensor RT、Triton Inference Server、MultiMedia, 再上面是DeepStream SDK ,最上面的是Pytho API 以及C++ API为应用和服务提供相关接口。

TensorRT 部署流程

在这里插入图片描述

TensorRT 部署流程

(1)在台式机或服务器上训练深度学习模型
(2) 保存训练得到的模型权重
(3) 使用TensorRT对模型进行优化
(4) 获得优化后的engine文件
(5) 利用TensorRT engine对推理进行加速

在这里插入图片描述
我们需要将训练好的yolov5s权重文件转换为wts文件格式，然后通过build转换为Tensorrt的engine文件，就能对我们输入的Tensors进行加速处理得到推理的输出结果。

Jetson Nano部署效果演示

tensort1

相关阅读:
Windows下Core Audio APIs的使用简介
Android Sutdio依赖Snapshot版本，无法同步最新的包
【树莓派不吃灰】使用frp内网穿透，实现远程访问树莓派
java笔记38，JDBC
最简单导航栏 html css
Django系列12-员工管理系统实战--时间控件
基于ADuCM4050的Power模式切换、外部中断（睡眠唤醒）初始化及回调函数定义
双目立体视觉(平行的视角)
LabVIEW利用纳米结构干电极控制神经肌肉活动
TCP 序列号和确认号是如何变化的？

原文地址：https://blog.csdn.net/weixin_38346042/article/details/126399006