玩转Jetson Nano（四）：TensorRT图像识别

前言

• 本文是个人使用Jetson Nano的电子笔记，由于水平有限，难免出现错漏，敬请批评改正。
• 更多精彩内容，可点击进入
  玩转Jetson Nano专栏或我的个人主页查看

TensorRT简介

• NVIDIA TensorRT™是一个高性能深度学习推理平台，用于优化经过训练的深度学习模型以实现高性能推理。它包括深度学习推理优化器和运行时，可为深度学习推理应用程序提供低延迟和高吞吐量。在推理期间，基于TensorRT的应用程序比仅CPU平台的执行速度快40倍。
• 使用TensorRT，您可以优化在所有主要框架中培训的神经网络模型，以高精度校准低精度，最后部署到超大规模数据中心，嵌入式或汽车产品平台。
• TensorRT构建于NVIDIA的并行编程模型CUDA之上，使您能够利用CUDA-X AI中的库，开发工具和技术，为人工智能，自动机器，高性能计算和图形优化所有深度学习框架的推理。
• TensorRT为深度学习推理应用的生产部署提供INT8和FP16优化，例如视频流，语音识别，推荐和自然语言处理。降低精度推断可显着减少应用程序延迟，这是许多实时服务，自动和嵌入式应用程序的要求。
  
• 您可以将训练有素的模型从每个深度学习框架导入TensorRT。应用优化后，TensorRT选择特定于平台的内核，以最大限度地提高数据中心，Jetson嵌入式平台和NVIDIA DRIVE自动驾驶平台中Tesla GPU的性能。
• 为了在数据中心生产中使用AI模型，TensorRT推理服务器是一种容器化微服务，可最大化GPU利用率，并在节点上同时运行来自不同框架的多个模型。它利用Docker和Kubernetes无缝集成到DevOps架构中。
• 使用TensorRT，开发人员可以专注于创建新颖的AI驱动的应用程序，而不是用于推理部署的性能调整。
• 使用 TensorRT 的典型深度学习开发周期，如在下图所示。
  

TensorRT搭建

安装所需的依赖

sudo apt-get install libpython3-dev python3-numpy
sudo apt-get install git cmake
1
2

安装jetson-inference

git clone https://github.com/dusty-nv/jetson-inference
1

cd jetson-inference
git submodule update --init
1
2

配置cmake

mkdir build    # 创建build文件夹
1

由于download-models.sh所需模型文件的下载链接为外网，国内网络无法访问，要编辑jetson-inference/CMakePreBuild.sh，把./download-models.sh和./install-pytorch.sh注释掉。 jetson-inference需要的模型文件另外下载，再传输到data/networks目录下。

vi CMakePreBuild.sh 
1

cd build       # 进入build
cmake ../      # 运行cmake，它会自动执行上一级目录下面的 CMakePreBuild.sh
1
2

下载所需的模型文件

下载地址 提取码：jsdm

cd Downloads
unzip jetson-inference-download-models.zip
1
2

mv ~/Downloads/jetson-inference-download-models/* ~/jetson-inference/data/networks/
1

cd ~/jetson-inference/data/networks/
ls
for tar in *.tar.gz; do tar xvf $tar; done
1
2
3

ls
1

编译

cd jetson-inference/build
# -j4 使用 4 个 CPU 核同时编译
make -j4
1
2
3

sudo make install
1

编译成功，会生成下列文件夹结构

build
├── aarch64
│   ├── bin
│   │   ├── images -> /home/ubuntu/jetson-inference/data/images
│   │   └── networks -> /home/ubuntu/jetson-inference/data/networks
│   ├── include
│   │   ├── jetson-inference
│   │   └── jetson-utils
│   └── lib
│       └── python
│           ├── 2.7
│           └── 3.6
├── CMakeFiles
│   ├── 3.10.2
│   │   ├── CompilerIdC
│   │   │   └── tmp
│   │   └── CompilerIdCXX
│   │       └── tmp
│   ├── CMakeTmp
│   ├── Export
│   │   └── share
│   │       └── jetson-inference
│   │           └── cmake
│   └── jetson-inference.dir
│       ├── c
│       ├── calibration
│       └── plugins
│           └── pose
│               └── trt_pose
│                   └── parse
├── docs
│   └── CMakeFiles
├── examples
│   ├── CMakeFiles
│   ├── depthnet
│   │   └── CMakeFiles
│   │       └── depthnet.dir
│   ├── detectnet
│   │   └── CMakeFiles
│   │       ├── detectnet-camera.dir
│   │       ├── detectnet-console.dir
│   │       └── detectnet.dir
│   ├── imagenet
│   │   └── CMakeFiles
│   │       ├── imagenet-camera.dir
│   │       ├── imagenet-console.dir
│   │       └── imagenet.dir
│   ├── posenet
│   │   └── CMakeFiles
│   │       └── posenet.dir
│   └── segnet
│       └── CMakeFiles
│           ├── segnet-camera.dir
│           ├── segnet-console.dir
│           └── segnet.dir
├── python
│   ├── bindings_python_2.7
│   │   └── CMakeFiles
│   │       └── jetson-inference-python-27.dir
│   ├── bindings_python_3.6
│   │   └── CMakeFiles
│   │       └── jetson-inference-python-36.dir
│   ├── bindings_python_3.7
│   │   └── CMakeFiles
│   └── CMakeFiles
├── tools
│   ├── camera-capture
│   │   ├── camera-capture_autogen
│   │   │   ├── EWIEGA46WW
│   │   │   └── include
│   │   └── CMakeFiles
│   │       ├── camera-capture_autogen.dir
│   │       └── camera-capture.dir
│   │           └── camera-capture_autogen
│   ├── CMakeFiles
│   └── depth-viewer
│       └── CMakeFiles
└── utils
    ├── camera
    │   └── camera-viewer
    │       └── CMakeFiles
    │           └── camera-viewer.dir
    ├── CMakeFiles
    │   ├── Export
    │   │   └── share
    │   │       └── jetson-utils
    │   │           └── cmake
    │   └── jetson-utils.dir
    │       ├── camera
    │       ├── codec
    │       ├── cuda
    │       ├── display
    │       ├── image
    │       ├── input
    │       ├── network
    │       ├── threads
    │       └── video
    ├── display
    │   └── gl-display-test
    │       └── CMakeFiles
    │           └── gl-display-test.dir
    ├── python
    │   ├── bindings_python_2.7
    │   │   └── CMakeFiles
    │   │       └── jetson-utils-python-27.dir
    │   ├── bindings_python_3.6
    │   │   └── CMakeFiles
    │   │       └── jetson-utils-python-36.dir
    │   ├── bindings_python_3.7
    │   │   └── CMakeFiles
    │   └── CMakeFiles
    └── video
        └── video-viewer
            └── CMakeFiles
                └── video-viewer.dir
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115

测试

cd jetson-inference/build/aarch64/bin
./imagenet-console ./images/cat.jpg output.jpg
1
2

第一次执行需要等待一段时间，后面执行就会很快了。

CSI摄像头实时图像识别

cd jetson-inference/build/aarch64/bin
./imagenet-camera --network=googlenet  ＃ 使用googlenet运行 
1
2

常见问题

注意：CSI摄像头会出现视频画面颠倒，可用以下方法设置修改。

cd ~/jetson-inference/utils/camera/    
sudo vi gstCamera.cpp 
1
2

进入文件之后，将

if( mOptions.flipMethod == videoOptions::FLIP_NONE )
    mOptions.flipMethod =  videoOptions::FLIP_ROTATA_180；
else if( mOptions.flipMethod =  videoOptions::FLIP_ROTATA_180 )   
    mOptions.flipMethod =  videoOptions::FLIP_NONE；
1
2
3
4

中的前三条语句注释掉，

//if( mOptions.flipMethod == videoOptions::FLIP_NONE )
    //mOptions.flipMethod =  videoOptions::FLIP_ROTATA_180；
//else if( mOptions.flipMethod =  videoOptions::FLIP_ROTATA_180 )   
    mOptions.flipMethod =  videoOptions::FLIP_NONE；
1
2
3
4

注释完成之后，保存并退出，然后对其进行编译即可。

cd ~/jetson-inference/build/    
make 
sudo make install   
1
2
3

如果没报错，则编译成功。

参考文献

[1] Jetson Nano Developer Kit User Guide
[2] TensorRT官方教程
[3] 官方Demo

• 更多精彩内容，可点击进入
  玩转Jetson Nano专栏或我的个人主页查看