[系列文章]Nvidia Jetson TX2使用yolov5进行目标检测

最新推荐文章于 2024-04-22 14:32:53 发布
置顶 最新推荐文章于 2024-04-22 14:32:53 发布
阅读量4.1k 收藏 61
点赞数 6
分类专栏： TX2_yolov5 + TensorRT 文章标签： 计算机视觉 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/RosettaLeong/article/details/117880883
版权

前言

ultralytics公司开源的目标检测算法yolov5在最近一段时间十分火热，而这次正好碰上一个实际应用（分拣小车）的机会，便在此记录下全过程以供参考。其中目标检测的作用在于标出每一帧输入图像中垃圾的具体位置（框），并以该信息做PNP解算，得到相应需发送给下位机的速度指令，使其到达垃圾所在位置并捡起以进行后续操作。
实际效果如下：

Nvidia TX2实现垃圾目标检测（yolov5 + TensorRT）

 

文章列表

  1. Nvidia Jetson TX2刷机（三天刷机真实过程包教包会）
  2. [超详细!!!]yolov5_4.0版本目标检测（环境配置+数据集制作+模型训练）–垃圾分拣业务流
  3. 【全网唯一】【yolov5模型部署落地】Nvidia Jetson TX2使用TensorRT部署yolov5s模型
Rosetta_Leong
关注
  • 6
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于NVIDIA JETSON TX2平台的无人机目标检测系统设计
pengfeix的博客
09-26 4949
基于NVIDIA JETSON TX2平台的无人机目标检测系统设计 一、比赛概述 1.目标 2018年DAC的计算机系统竞赛的要求是利用嵌入式平台实现无人机上的，基于深度学习的实时目标检测。 2.评价指标 准确度：Intersection over Union(IoU) 吞吐量：每秒钟识别的图片数量(FPS)，比赛要求速度达到20FPS； 能源消耗 3.评分计算 Energy ...
NVIDIA JetsonTX2 实现 yolov5
G果的博客
03-25 8694
实现步骤1 刷机 jetpack4.5：2 JetsonTx2 Ubuntu系统 与自身电脑 Window系统 共享文件夹（方便数据传输）3 安装pytorch及其相关依赖包4 下载 yolov5（只做检测detect.py）5 简述 yolov5 训练自己数据集 1 刷机 jetpack4.5： 刷机教程：VM环境(Ubuntu18.04)+NVIDIA JETSON TX2刷机(JetPack 4.5) 2 JetsonTx2 Ubuntu系统 与自身电脑 Window系统 共享文件夹（方便数据传输）
Ultralytics YOLOv8 英伟达™ Jetson®处理器部署
最新发布
weixin_46300916的博客
04-22 1811
英伟达™（NVIDIA®）Jetson 是一系列嵌入式计算板卡，旨在为边缘设备带来加速的 AI（人工智能）计算。这些小巧而功能强大的设备围绕英伟达™（NVIDIA®）的GPU架构打造，能够直接在设备上运行复杂的人工智能算法和深度学习模型，而无需依赖云计算资源。Jetson 板卡通常用于机器人、自动驾驶汽车、工业自动化和其他需要在本地以低延迟和高效率执行人工智能推理的应用中。此外，这些板卡基于 ARM64 架构，与传统 GPU 计算设备相比运行功耗更低。英伟达™（NVIDIA®）JetPack SDK。
jetson tx2部署yolov5
weixin_35755562的博客
02-09 1105
好的，我可以提供指导如何在Jetson TX2上部署YOLOv5。 首先，请确保您的Jetson TX2设备具有足够的存储空间，以安装必要的软件。接下来，您需要安装以下软件： NVIDIA CUDA：这是NVIDIA提供的并行计算框架，是运行YOLOv5所需的。 cuDNN：这是NVIDIA的深度神经网络库，是CUDA的一个扩展。 OpenCV：这是计算机视觉库，是YOLOv5的一个依赖项。...
在Jetson TX2中使用YOLO v5的注意事项
qq_40700822的博客
07-06 1915
由于Nvidia Jetson TX2是基于ARM 的处理器，因此需要安装ARM版本的pytorch和torchvision。 1、首先下载YOLO v5的源码 首先要到YOLO v5的官网下载YOLO v5的源码，源码地址为：https://github.com/ultralytics/yolov5 2、安装arrch版本的pytorch 对应的版本要去https://pypi.org/project/torch/#history寻找，找到pytorch和python相对应的版本。 3、安装arrch版本
yolov5_train_jetsonnx
03-18
在NVIDIA Jetson NX上训练yolov5模型 假设Jetson已经建立 验证cuda版本（10.2），驱动程序版本 运行此命令以检查您正在运行的是哪个版本的jetpack dpkg-query --show nvidia-l4t-core 在Jetson中使用什么docker映像，我们将使用pytorch 使用robolflow之类的工具进行注释，我们还可以使用labelImage *积分器 *最佳 *张量流 训练更多的时代 正确的割炬版本很重要 从Yolov5回购中获得的文件夹结构有很多问题 opencv安装是jetson的问题，Yolo确实需要吗？ 我想我已经安装了opencv吗，确实需要它。 构建python-opencv版本4.1.2，此版本不可用于aarch64安装 预先制作说明 apt install -y qt4-default git clone htt
NVIDIA Jetson TX2介绍
01-19
详细介绍了NVIDIA TX2套件的基础和软件架构，总结的很到位
Vision2021:2021年第一个FRC银河搜寻任务视觉代码。该代码将能够使用Nvidia Jetson Nano和YOLOv5在运动场上运行实时目标检测
03-21
该代码将能够使用Nvidia Jetson Nano和YOLOv5在运动场上运行实时目标检测。 YOLOv5对象检测信息/文档 YOLOv5是用于实时对象检测的AI对象检测库。 资源 用法 注意：所有软件包和模块都使用virtualenv坐在虚拟环境中...
NVIDIA Jetson TX2 SPI 程序
10-30
NVIDIA JETSON TX2 spi接口调试过程，J21接口 spi 收发对接，收到数据 且对应代码内发送的数据，则接口调试成功
Jetson TX2 NX使用手册
10-09
NVIDIA Jetson TX2学习手册 2 1组装之亚克力板安装 2 2烧录系统 2 2.1虚拟机安装已经Ubuntu18.4系统安装 2 2.1.1VMware下载 2 2.1.2虚拟机安装Ubuntu18.4 2 2.2烧录系统和SDK 2 2.2.1烧录前准备 2 2.2.2虚拟机内下载...
基于NVIDIA Jetson TX2的道路场景分割
05-06
因此针对交通监控、无人驾驶等应用背景，在嵌入式平台NVIDIA Jetson TX2上，采用基于深度卷积编解码器结构的图像分割网络，对道路场景进行语义分割，并基于NVIDIA的推理加速器TensorRT2，完成网络模型简化、网络...
为JETSON TX2开发板部署YoloV5
贱贱的剑
03-04 4729
参考资料一：nvidia为JETSON Tx2编译的pytorch 参考资料二：Jetson软件包下载 参考资料三：Tx2安装工具的使用 参考资料四： Jetson烧录工具 参考资料五： B站下载的行人视频 一、升级TX2系统版本到最新版（JetPack4.6） 我拿到的板子的版本太低了，在工作的过程中会有很多问题，因此要先升级到最新版 下载参考资料四中的烧录工具，在Ubuntu18.04中安装，只能，必须，一定是Ubuntu18.04 安装完成后使用非root用户启动SDK Manger，登录Nvi.
Jetsen TX2（jetpack4.6 CUDA10.2）使用D435i摄像头以及yolov5-ros实现实时监测
m0_69537511的博客
07-24 2279
本篇文章是在我完成之后才想起来写一篇技术文档，一是因为真的踩的坑太多了，前前后后差不多有一个月才完成，所以想记录下来，相当于是给自己这一个月的努力的总结。二是因为在完成过程中了，真的很少有完整的教程，想写一篇文章，对网友们有所帮助把。当然因为这篇文章是我在完成了任务之后才想起来写的，所以其中可能有很多没有记录下来的错误，如果下次碰见了还是应该先记录一下。如果文章中有什么问题欢迎指出。当然我这篇文章主要是记录，建议各位网友多看看其他的教程。一个月的努力总算是完成了。
嵌入式JetSon TX2上定位构图与目标检测环境部署（包括RTAB-MAP、Object Detection API、RealSense、IMU、ROS、CUDA、Tensorflow等配置）
进阶的乔木同学每天都在码代码
07-09 2135
这周为了项目结题在一块崭新的TX2开发板上复现了去年的定位构图与目标检测环境部署，其实各个部分的内容在博主之前的博客中零零碎碎的都提到过，这里重新写篇博客整体总结一下，因为后面还有两块新的TX2等待博主部署环境......流下了熟练工种的泪水QAQ
Jetson TX2 虚拟环境部署yolov5_v6.0
weixin_62651190的博客
03-30 1744
之前没有用anaconda环境配置的太乱了，心血来潮重新配个环境。
tensorRT简介
Loong Cheng的博客
08-10 3360
TensorRT 是由 Nvidia 推出的 GPU 推理引擎(GIE: GPU Inference Engine)。和通用的深度学习框架不同，TensorRT 只提供前向传播，即推理的功能，而没有训练的功能。实际上，训练的场景下，资源通常不会特别紧张，因为是离线的操作(不要求实时反馈)，即使出现了一时的资源不足也可以通过增加计算时长来弥补，所以训练框架的资源消耗一般不会有很强的优化。而网络的部署...
TX2+调用板载摄像头实时目标检测（yolov5)+tensorrt
weixin_45371818的博客
07-21 6012
前言 首先感谢無證騎士博主的大力支持，本文的也是根据他的文章魔改。 因项目需求，在TX2上部署yolov5算法实时检测目标。之前在ubantu上做过yolov5的图片检测，实时检测与之类似，但也是耗费一周的时间，原谅我是个小白。 一、环境安装 附上無證騎士博主的博客地址： https://blog.csdn.net/hahasl555/article/details/116500763 二、opencv的安装 本人使用的opencv并不是按照上述博客安装的，而是使用的是opencv=4.2.0
Jetson TX2上配置archiconda、Yolov5、tensorrtx环境问题记录
weixin_43609111的博客
03-27 8452
文章目录前言本文主要记录在Jetson TX2上配置archiconda、Yolov5、tensorrtx环境中遇到的问题以及解决方法。以及一些包的分享。一、Jetson TX2刷机二、安装archiconda三、安装torch和torchvision问题1：三、Yolov5环境配置3.1Yolov5下载3.2Yolov5环境配置3.3Yolov5使用3.4问题四、tensorrtx下载与使用3.1tensorrtx下载 前言 本文主要.
TX2配置yolov5环境
xiaokanshijie的博客
12-20 1380
TX2系统版本： lsb_release -a No LSB modules are available. Distributor ID: Ubuntu Description: Ubuntu 18.04.6 LTS Release: 18.04 Codename: bionic 更新系统和包： sudo apt-get update sudo apt-get upgrade 安装Archiconda3 Archiconda下载地址 下载好使用ftp或者其他工具拖进去 cd进入目录运行下
nvidia jetson tx2运行yolov5
06-28
### 回答1： nvidia jetson tx2可以运行yolov5，但需要安装相应的软件和依赖库。首先需要安装JetPack 4.4或更高版本，然后安装CUDA、cuDNN、TensorRT等软件。接着，需要下载yolov5的代码和模型，并进行编译和安装。最后，可以使用Jetson TX2运行yolov5进行目标检测和识别。 ### 回答2： NVIDIA Jetson TX2是一款嵌入式平台，其内置的GPU和CPU提供高性能计算能力，使其成为运行深度学习模型的理想选项。而YOLOv5则是一种物体检测框架，能够在不降低精度的情况下提高检测速度。那么，如何在NVIDIA Jetson TX2上运行YOLOv5呢？ 首先，需要安装好NVIDIA JetPack 4.2及以上版本的软件包，并配置好环境变量。其次，需要准备好YOLOv5模型文件、权重文件和配置文件。模型文件可以从GitHub上下载，而权重文件和配置文件则需要根据所需的检测任务进行调整。具体的操作过程如下： 1. 下载YOLOv5代码 从GitHub上下载YOLOv5代码，并将其解压到合适的目录下。 2. 准备YOLOv5模型文件 从GitHub上下载所需的YOLOv5模型文件，并将其保存到与代码同一目录下。这里可以选择下载只能够检测一类物体的模型，或者能够检测多类物体的模型，具体情况根据实际需求而定。 3. 准备权重文件和配置文件 从YOLOv5代码中的“yolov5/config”目录下复制相应的权重文件和配置文件，并将其保存在代码同一目录下。如果需要针对自己的检测任务进行配置，可以编辑相应的配置文件进行调整。 4. 运行程序 在NVIDIA Jetson TX2上使用终端进入代码所在的目录，并执行以下命令： python3 detect.py --weights yolov5s.pt --img 416 --conf 0.4 --source 0 其中，“yolov5s.pt”为所选择的权重文件，“416”为图像大小，“0.4”为置信度阈值，它们可以根据实际需求进行调整。此外，“source”参数可以指定图像或视频的路径，也可以将其设置为“0”实现从NVIDIA Jetson TX2的摄像头获取视频流的功能。运行程序后，将可以看到YOLOv5检测到的物体在图像或视频中的位置和标签。 总之，使用NVIDIA Jetson TX2运行YOLOv5需要准备好模型文件、权重文件和配置文件，并通过代码执行命令来进行检测。其通过GPU并行计算提高了检测速度和精度，因此可以为图像或视频物体检测任务提供高效的解决方案。 ### 回答3： NVIDIA Jetson TX2是一个强大的嵌入式系统，拥有高效的CPU和GPU以及专用的AI硬件加速器。这使得它成为理想的设备，用于运行复杂的深度学习模型。而YOLOv5是目前最先进的目标检测算法之一，其能够实现更快、更准确的检测。 要在NVIDIA Jetson TX2上运行YOLOv5，您需要完成以下步骤： 1. 安装依赖项：您需要安装一些C++、Python库以及其他必要的软件包。这可以通过在终端中输入以下命令来完成： sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install python3.6-dev python3-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev 2. 安装CUDA和cuDNN：这些是必要的组件，用于在GPU上加速深度学习模型的训练和推断。您可以从NVIDIA的官方网站上下载和安装CUDA和cuDNN。 3. 下载YOLOv5代码：您可以从GitHub上下载YOLOv5的代码。您可以使用以下命令从终端中进行克隆： git clone https://github.com/ultralytics/yolov5.git 4. 利用YOLOv5进行训练/检测：现在，您已经准备好了在NVIDIA Jetson TX2上使用YOLOv5。使用YOLOv5进行训练/检测需要一些数据集和代码修改，后续可以结合YOLOv5文档和代码实现。 总之，NVIDIA Jetson TX2作为一款专用的AI硬件加速器，具备很强的计算能力，能够为YOLOv5算法的使用提供很好的支持。然而，在运行YOLOv5之前，您需要进行一些必要的准备工作，如安装依赖项、CUDA和cuDNN等。然后，通过下载YOLOv5代码并结合数据集和相应代码实现。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值