Jetson Nano-测试YOLOv4系列

将环境准备好后，此处使用到Pytorch 版本的yolov4-tiny，初始yolov4-tiny训练出来的权重文件大小为23M左右。之后在原来模型上进行稍微到调整，训练后到权重文件大小为48M左右，差不多为原2倍左右。

程序移植

首先需要保证torch、torchvision、CUDA等版本的一致。
不同的环境缺少的包也不同，特别是换源问题，在上一篇有提到，换源后会出现安装指定版本失败等结果。建议使用自带源。

• 问题一：The _imagingft C module is not installed
  这个问题可能是某些依赖包到版本不匹配，如pillow的版本不能太高，若使用更换后到源安装会导致不匹配，自动安装最新的，所以需要使用原始源进行安装，一般pillow<7 即可，最新的会出现兼容性问题。
• 问题二：程序检测用时过长
  程序加载权重完成后等待输入图像数据时，明显在使用ubuntu桌面的时候会出现卡顿问题，毕竟桌面运行是要占取内存，总共才4GB，而且还是显卡和CPU共用，特别是在输入图像后，一次检测需要差不多两分钟。鼠标开启拉PPT模式，无论是在程序中使用CV2打开图像，还是桌面运行导致的，都是下一步需要优化的方向，以及使用一些程序优化手段。

问题解决

由于水平有限，受限于环境到版本、网络的改进，暂时先把问题搁置在这里。

yolov4

有隔壁描述可以运行yolov4，以此根据此大佬的步骤运行，不需要进行tensorrt自定义网络

步骤

• 首先git下整个文件夹
• 根据README中的Example操作即可

  • 可能在这里会遇到以下几个问题

    • Failed to load module “canberra-gtk-module”
      这是由于未安装依赖包，执行以下命令即可

    • no kernel image is available for execution on the device
      这个问题是没有选择指定到GPU，需要在根目录下的CMakeLists.txt中 修改 set(GPU_ARCHS 53) 中的值，NX是62，Nano是53，不同的环境不同，Jetson平台可通过jtop查看
      终端输入jtop,按6INFO查看
      

其他可根据以上github地址中操作

编译问题

注意：yolov4源码在不同的平台编译后，复制到另外一个平台不同直接用，需要直接编译，这是由于make时，是根据主机的环境进行编译，以下错误均是因为此原因。环境不同时，需要进行再次make编译

问题一：/usr/include/cuda_runtime.h:91:27: fatal error: builtin_types.h:
这是由于CUDA环境的不一致

问题二：error while loading shared libraries: libopencv_highgui.so.3.2;这是由于opencv版本不一致

模型转换

• darknet ->ONNX

python3 tools/yolo_to_onnx.py --cfg model/yolov4.cfg --weights model/yolov4.weights --out model/yolov4.onnx

• ONNX-> engine

./buildEngine -i model/yolov4.onnx -o model/yolov4.engine -b 1 -m 0