在Jetson nano上面可以跑到20FPS的行人检测算法

最新推荐文章于 2025-02-20 19:38:53 发布
最新推荐文章于 2025-02-20 19:38:53 发布
阅读量3.3k 收藏 13
点赞数 1
分类专栏： 深度学习 文章标签： nano 深度学习 目标检测 行人检测
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/donkey_1993/article/details/103188122
版权
Jetson Nano实现基于YOLO-V4及TensorRT的实时目标检测
qq_33287871的博客
04-15 2453
一.背景 1.英伟达SOC，2020年最新推出的Jetson Nano B01，价格亲民(99$)。支持GPU，性能高于树莓派且兼容性比较好。嵌入式平台适合验证算法的极限性能。 2.YOLO-V4是YOLO目标检测系列最新版，精度和速度较YOLO-V3都有提升，One-stage架构实时推理性能较好。相比而言，尚在开发中的YOLO-V5未被官方承认，且算法上没有太多创新，更像是YOLO-V4.5。 3.TensorRT在深度学习算法部署环节十分重要，基于GPU推理，能够成倍提升FPS。 二.资源 JetPa
深度学习论文: CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5
mingo_敏
03-14 1808
深度学习论文: CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5 CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5 PDF: https://rdcu.be/cHuc8 PyTorch代码: https://github.com/shanglianlm05
目标检测：Jetson Nano配置YOLOv11环境（Pycharm）
Y_147369的博客
01-08 3662
实现了在jetson nano上面配置YOLOv11并且成功使用TensorRT加速推理，因为jetson nano资源有限，YOLOv11模型较大，所以在测试中使用USB摄像头跑yolo11n.pt时FPS大概在7~12，后续会提到一些优化方法。由于jetson nano的局限性，使得在环境部署上面成为一个麻烦，另外在显存上，由于模型较大，很容易出现溢出，也是一个麻烦，本文将记录部署到YOLO运行的过程
Jetson Nano之ROS入门 -- YOLO目标检测与定位
m0_55202222的博客
07-31 5646
Darknet_ros将YOLO算法集成到ROS中，使得机器人可以实时地检测和识别周围环境中的物体。它提供了一些ROS节点和服务，可以在ROS系统中轻松使用YOLO算法进行目标检测和识别。同时，它还提供了一些示例程序，帮助用户快速了解如何在ROS中使用深度学习算法进行机器人视觉任务。
一文初识英伟达Jetson系列产品
zhiyuchenkeji的博客
02-20 664
本文针对英伟达Jetson系列的介绍描述，可供一些刚入门的用户或者专注于软件/算法的人员对该系列产品做一些初步的了解，更深入的设计分享与应用经验后续会逐渐推出，敬请期待！北京智宇辰科技有限公司 http://www.zhiyuchenkeji.com/ 联系电话：15652860510 微信：zyc_qing联系人：马晓宇。
实现NanoDet-ncnn在Jetson Nano上的轻量级目标检测
weixin_42579969的博客
08-28 1711
本文还有配套的精品资源，点击获取 简介：NanoDet-ncnn-Jetson-Nano是一个专为Jetson Nano平台优化的轻量级目标检测框架。NanoDet是专为低功耗设备设计的深度学习实时目标检测算法，ncnn是一个针对移动平台的轻量级C++深度学习推理框架，支持多种模型格式。NVIDIA Jetson Nano是一款具有强大GPU的小型开发板，适合实时计算机视觉...
Jeston nano使用之目标检测
qq_54693299的博客
09-19 2333
jeston nano介绍： 话不多说，官网介绍详细，这里就不浪费大家时间啦，感兴趣戳这里了解更多。 jeston nano供电： Jetson Nano开发板有5种供电方式： 5V 2A(micro USB) 5V 3A(GPIO引脚) 5V 4A(DC接口) 5V 6A(所有电源IO反向供电) POE供电 5V 2A是受限于USB自身，强烈推荐DC 4A供电，满足Jetson Nano大部分使用场景，同时可带...
Jetson Nano使用YOLOv4进行目标检测
FriendshipTang的博客
11-20 5239
这里写目录标题一级目录二级目录三级目录 一级目录 二级目录 三级目录
[YOLOv8] 在Jetson Nano当中部署YOLOv8目标检测算法
m0_75272311的博客
04-24 7987
使用jetson nano部署YOLOv8
使用ssd+mobilenetv2轻量化网络实现的智能小车垃圾分类（jetson nano下能达到10fps+）
05-30
【作品名称】：使用ssd+mobilenetv2轻量化网络实现的智能小车垃圾分类（jetson nano下能达到10fps+） 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或...
Jetson Nano 2GB Developer Kit 英伟达Jetson Nano系列新成员，新版NANO有什么不同和优势。针对教育机构、学生和初学者。
weixuedianzi的博客
10-31 2107
Jetson Nano 是一款功能强大的人工智能 (AI) 开发板，可助你快速入门学习 AI 技术，并将其应用到各种智能设备上。恰逢国家在推广人工智能相关的发展，2019年上线以来等到广泛的青睐。 2020年末针对教育机构、学生和初学者，英伟达在原来Jetson Nano Developer Kit的基础上推出了简化版本 Jetson Nano 2GB Developer Kit。 2GB 版本搭载四核 Cortex-A57 处理器，128 核 Maxwell GPU，2GB LPDDR ...
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
2021年愿景 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。 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。要为此仓库运行任何命令，您必须输入venv。 FROM YOLOv5_trained_model目录键入source venv/bin/activate以启动环境变量 powercell_model / YOLOv5_Trained_Model目录中的文件都是经过训练的ML模型。它由data.yaml，custom_yolov5s.yaml和best.pt（即经过训练的模型文件）组成。 注意：Roboflow用于创建yolov5格式。 要获取（或更新）训练后的模型，请执行以下操作
100fps行人检测代码
06-21
这个程序代码是根据2012年的一篇论文《Pedestrian detection at 100 frames per second》实现的，可以在CPU或GPU上运行，检测性能比常规的HOG提高很多。
Jetson Nano目标检测手把手实战教程（pytorch训练、tensorrt推理，含完整代码和数据）
热门推荐
钱彬的博客
10-08 3万+
一、概述 1.1深度学习和边缘计算 2012年AlexNet模型在ImageNet数据集上取得了巨大成功，从此，深度学习技术开始进入黄金发展期。随后，深度学习在多个应用领域均大幅提升了性能指标，尤其在计算机视觉领域，超越SVM等一众传统机器学习方法。然而，深度学习的高准确性是以深度学习对计算和内存的高需求为代价的。由于输入数据可能具有很高的维数，并且需要对输入数据执行数百万次计算，因此训练和推理一个深度学习模型对空间和计算需求都很高。高准确性和高资源消耗是深度学习的特点。 ​ 为了满足深度学习...
20、NanoDet训练、测试 以及使用ncnn部署Jetson Nano 进行目标检测和串口数据转发
sxj731533730
02-25 6821
基本思想：最近想尝试一下nano 上部署nanodet，于是记录一下训练过程，手中有一份labelme标注的数据集，于是开始了一波操作~ 首先将图片和json数据集转成xml (https://blog.csdn.net/sxj731533730/article/details/90046780)，然后将xml数据集转成voc； import sys import os import json import xml.etree.ElementTree as ET from PIL import Im
Jetson Nano配置YOLOv5并实现实时目标检测
KrbwCoder的博客
09-17 924
通过按照上述步骤配置YOLOv5并实现实时目标检测，你可以在Jetson Nano上进行强大的目标检测任务。记得在运行之前确保你已经正确安装了Jetson Nano和YOLOv5的依赖项，并下载了适当的权重文件。指定了使用的权重文件，你可以根据需要选择不同的权重文件，例如yolov5m.pt或yolov5l.pt。现在，我们可以使用修改后的代码运行带FPS显示的目标检测。在虚拟环境中，我们需要安装YOLOv5所需的Python依赖项。在运行YOLOv5之前，我们需要下载预训练的权重文件。
jetson nano 部署yolov5目标检测 并且 tensorRT加速（保姆级教程）
lx1072848217的博客
05-19 3480
就可以继续安装拉 ，当安装opencv时会出现Building wheel for opencv-python (pyroject.toml)，就说明快要成功拉，但是会很慢，不要着急！8、安装torchvision，逐个执行以下命令（如果执行第三个命令报错，不用管，继续执行第四第五行命令，如果不报错就直接cd ..）在测试时如果报错PIL，就安装pillow，命令如下（在第二步如果报权限错误，就在开头加sudo，或在结尾加--user）插上读卡器时，会弹出很多盘，我们只需要把其中一个进行格式化就行了。
jetson-nano安装TensorFlow并运行目标检测
shajiayu1的博客
04-25 2285
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...
【Jetson Nano】学习（3）——物体识别后提取出感兴趣的对象，目标检测，语义分割
hongbo_zhang的博客
04-17 4987
文章目录📒前言📙定位对象📗对象提取代码：📘完整代码📕识别效果 📒前言 🍊在前面的博客中我写了一篇关于实现目标检测的文章，但是我们只是作为一个测试使用，并没有具体说明他能干什么，感兴趣可以看看❤️【Jetson Nano】学习（2）——两种方法（命令行、openCV）打开摄像头、实现目标检测，语义分割 🍊在这篇文章中我实现了目标检测和语义分割这一块，之前有说我们得到这个图像之后，可以方便我们去做很多事情，在这里我们就提出了，当我们要对某一个目标进行操作时，那怎么去提取出我们感兴趣的目标对象呢？ 这篇文章就会
在嵌入式平台比如jetson nano 上能不能跑通yolo系列算法?
最新发布
04-02
<think>好的，用户之前问过关于将YOLO集成到Orin的问题，现在又接着问在Jetson Nano这样的嵌入式平台上能不能跑通YOLO系列算法。我需要先确认用户可能的使用场景。Jetson Nano属于低功耗的嵌入式设备，常用于机器人、智能摄像头等需要实时处理的应用，所以用户可能是在开发这类项目，需要目标检测但受限于硬件资源。 用户的问题直接是能否在Nano上运行YOLO，但可能更深层次的需求是如何优化性能，或者选择哪个版本的YOLO更适合。之前回答过Orin的集成，Orin性能更强，而Nano则资源有限，所以用户可能在对比不同硬件平台的选择，或者手头只有Nano，想确认可行性。 需要先明确回答“可以”，但需要条件，比如模型版本和优化措施。然后分点说明具体方法，比如模型轻量化、框架优化（TensorRT）、输入分辨率调整、后处理优化等。同时要提到不同YOLO版本的表现差异，比如YOLOv5n比v3-tiny更好，用户可能需要知道哪个版本更适合Nano。 还要考虑用户可能遇到的问题，比如实时性不够，内存不足，这时候需要给出解决方案，比如量化、剪枝。可能用户没有说出这些潜在问题，所以主动在回答中提及这些优化方法会更好。 另外，用户之前的问题涉及自定义数据集适配YOLOv8，可能他们也在尝试不同版本，所以需要比较不同YOLO版本在Nano上的表现，帮助他们选择最合适的。 最后要确保回答结构清晰，步骤明确，同时语言简洁，符合嵌入式开发者的需求，可能需要给出实际的数据比如FPS，让他们有直观的认识。例如，提到YOLOv5n在Nano上可以达到10-20 FPS，这样用户就能评估是否符合项目需求。</think>是的，在嵌入式平台如**Jetson Nano**上可以运行YOLO系列算法，但需要根据硬件性能进行针对性优化。以下是关键点分析： --- ### **1. 硬件性能限制与可行性** - **算力限制**：Jetson Nano的GPU算力较低（~0.5 TFLOPS），内存带宽有限（4GB LPDDR4），需选择轻量级YOLO变体。 - **实时性需求**：若目标为实时检测（如≥15 FPS），需通过模型压缩和加速框架优化实现。 --- ### **2. 适配YOLO的优化方法** #### **(1) 选择轻量化模型** - **推荐版本**：优先使用专为移动端设计的YOLO变体： - **YOLOv5n/YOLOv5s**（官方轻量版，参数量仅1.9M~7.2M） - **YOLOv8n**（Ultralytics最新轻量版，速度与精度平衡） - **YOLOv3-Tiny**（经典轻量版，但性能弱于新版） - **对比优势**：YOLOv5n在Nano上的推理速度可达**10-20 FPS**（未优化），而YOLOv3-Tiny约15-30 FPS（但精度较低）。 #### **(2) 使用TensorRT加速** - **步骤**： 1. 将PyTorch/YOLO模型转为ONNX格式； 2. 通过TensorRT生成FP16/INT8量化引擎（速度提升2-3倍）； 3. 部署时调用TensorRT引擎推理。 - **效果**：YOLOv5n + TensorRT可提升至**20-30 FPS**（720p输入）。 #### **(3) 输入分辨率调整** - 降低输入尺寸（如从640×640改为320×320），牺牲少量精度换取显著速度提升。 #### **(4) 后处理优化** - 精简非极大值抑制（NMS）逻辑，减少CPU计算耗时。 --- ### **3. 实际部署案例** - **环境配置**： - JetPack 4.6+/5.0（包含CUDA、cuDNN、TensorRT） - 安装PyTorch（ARM架构适配版）或TensorRT Python API - **代码框架**： ```python # 示例：使用TensorRT加载YOLOv5引擎 import tensorrt as trt import pycuda.driver as cuda # 加载TRT引擎 with open("yolov5n.engine", "rb") as f: engine_data = f.read() runtime = trt.Runtime(trt.Logger(trt.Logger.WARNING)) engine = runtime.deserialize_cuda_engine(engine_data) ``` --- ### **4. 常见问题与解决** - **问题1：内存不足** 方案：启用`swap`交换空间，或限制模型输入尺寸。 - **问题2：实时性不足** 方案：开启GPU多流处理（Multi-Stream）并行推理。 - **问题3：模型兼容性** 方案：使用NVIDIA官方工具（如`jetson-inference`库）验证模型格式。 --- ### **5. 性能对比参考** | 模型 | 输入尺寸 | 优化方式 | Jetson Nano FPS | |--------------|----------|-------------|-----------------| | YOLOv5n | 320×320 | TensorRT FP16| 25-35 | | YOLOv3-Tiny | 416×416 | 原生Darknet | 15-20 | | YOLOv8n | 640×640 | TensorRT INT8| 18-25 | --- ### **总结** Jetson Nano可通过**轻量化模型选择+TensorRT加速+分辨率调整**的组合策略，实现YOLO算法的实时运行。若需更高性能（如>30 FPS），建议升级至Jetson Orin系列硬件。
评论
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