TensorRT-Yolov3项目使用手册

于 2024-08-18 10:36:16 发布
阅读量281 收藏 6
点赞数 3
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/gitblog_00151/article/details/141295676
版权

TensorRT-Yolov3项目使用手册

TensorRT-Yolov3TensorRT for Yolov3项目地址:https://gitcode.com/gh_mirrors/te/TensorRT-Yolov3

本手册旨在引导您深入了解并使用从GitHub获取的TensorRT-Yolov3项目（lewes6369/TensorRT-Yolov3），通过三个关键部分展开：项目目录结构、启动文件介绍以及配置文件解析。

1. 项目目录结构及介绍

该项目构建于TensorRT之上，专为在NVIDIA Jetson系列开发板及兼容系统上实现YOLOv3模型加速优化。其大致目录布局如下：

  • 根目录：
    • cfg: 存放YOLOv3网络的配置文件。
    • data: 包含数据集路径或预处理所需的数据文件。
    • onnx_to_tensorrt.py: 脚本用于将ONNX模型转换成TensorRT引擎。
    • trt_yolo.py: 主执行脚本，用于运行推理测试。
    • eval_yolo.py: 评估模型精度的脚本。
    • yolo: 子目录，存放着特定模型相关文件，如用于模型校准的图像等。
    • README.md: 项目说明文件，可能包含重要设置指南和版本信息。
    • 其他依赖库或辅助脚本。

此架构设计使得用户可以清晰地定位模型定义、转换工具、运行程序和配置信息的位置。

2. 项目的启动文件介绍

主要启动文件：trt_yolo.py

  • 功能: 此脚本是项目的核心执行程序，允许用户进行YOLOv3模型的推理测试。它接受命令行参数来指定图像路径、使用的模型及其尺寸、是否使用INT8量化等。

  • 用法示例:

    python3 trt_yolo.py --image [IMAGE_PATH] -m yolov3-416

    上述命令将会加载名为yolov3-416的TensorRT模型，对指定图像进行目标检测。

配置转换脚本：onnx_to_tensorrt.py

  • 作用: 该脚本负责将YOLOv3模型从ONNX格式转换至TensorRT的可执行引擎格式，支持FP16、INT8模式，并可指定使用DLA核心。

  • 应用场景: 在初次部署或更新模型时执行，确保模型以最优方式运行在目标硬件上。

3. 项目的配置文件介绍

网络配置文件（位于cfg目录）

  • 文件类型: .cfg
  • 介绍: 这些配置文件详细描述了YOLOv3网络结构，包括层类型、过滤器数量、激活函数等。用户在转换模型前可能需更改这些配置，以匹配训练好的模型结构。

数据集配置与校准图片

  • 数据准备: 在yolo子目录下或通过外部数据路径配置，项目要求一组用于模型校准的图片。这通常涉及从COCO或其他数据集中挑选的图像，用于生成INT8量化所需的直方图。

  • 校准配置: 校准过程并非由单一配置文件管理，而是通过脚本参数和数据准备间接控制。例如，在执行模型量化之前，选择正确的图像集合进行模型的校准至关重要。

通过以上内容，您可以快速了解并开始利用TensorRT-Yolov3项目进行物体检测的任务，无论是基于标准模型还是进行定制化的性能调优。记得根据具体需求调整配置并遵循项目文档中的指令。

TensorRT-Yolov3TensorRT for Yolov3项目地址:https://gitcode.com/gh_mirrors/te/TensorRT-Yolov3

戚恬娟Titus
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Yolov5 face训练手册
jacke121的专栏
05-02 5291
数据集路径指定： data/widerface.yaml 包括分类数目，标签，数据集路径， download: bash data/scripts/get_voc.sh # train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/] train: F:\project\face_detect\yolo-face-wi...
Ubuntu18.04 tensorrt 安装指导
qq_57202949的博客
06-28 968
yolov5s6.2模型的轻量化部署实战，pt转onnx转engine
在Linux服务器环境下使用yolov3训练voc数据集
Delusional的博客
10-09 1469
一、通过Xshell等工具连接到Linux服务器 由于我使用的是window电脑，所以需要借助第三方工具来连接服务器，使用mac系统或者Linux系统的话，可以直接在终端使用ssh连接到远程服务器。 可以在服务器中新建一个文件夹来放置项目所需的各种文件。 二、检查服务器中的cuda版本 在服务器终端中输入以下命令，查看cuda的版本，注意V需要大写 nvcc -V 可以看到服务器中的cuda版本是10.0 之所以要检查cuda的版本，是因为之前在cuda9.0版本下，训练数据集后，最后的
yolov5-6.1的完全使用手册，含模型训练测试（可训练自己的数据集）
a486259的博客
10-08 6943
将以下代码保存到yolov5的data目录下，文件名为mycoco.yaml。其中的images/train下为训练集图像，images/val为验证集图像` ` 训练过程中的部分输出为： ` ``bash。
【深度学习】YOLOv4官方改进版来了！指标炸裂55.8% AP！Scaled-YOLOv4：扩展跨阶段局部网络...
fengdu78的博客
11-17 857
YOLOv4-large在COCO上最高可达55.8 AP！速度也高达15 FPS！YOLOv4-tiny的模型实现了1774 FPS！（在RTX 2080Ti上测试）作者单位：YOLO...
yolov3-tiny的darknet权重转onnx
轻舟已过万重山的博客
01-10 1430
转换固定尺寸的yolov3tiny-onnx，并修改conv和maxpool的实现方式来方便部署。
TensorRT开发者手册（3）使用TensorRT的PythonAPI
weixin_42784169的博客
11-25 1095
注意：原文中所有超链接均已更新，部分链接可能需要科学上网才能访问。部分单词我觉得翻译成中文总是缺少点意思，所以直接保留！由于本人实力有限，有错误之处希望指明，谢谢。–2020/11/25 Chapter 3. Using The Python API 下面的部分突出NVIDIA®TensorRT™用户目标和任务，您可以使用Python API执行这些目标和任务。 这些部分集中在使用Python API。 更多细节在Samples Support Guide。 假设你从一个已经训练好的模型开始。 本章将涵盖使
【CV】YOLOv4官方改进版来了！指标炸裂55.8% AP！Scaled-YOLOv4：扩展跨阶段局部网络
fengdu78的博客
02-05 968
YOLOv4-large在COCO上最高可达55.8 AP！速度也高达15 FPS！YOLOv4-tiny的模型实现了1774 FPS！（在RTX 2080Ti上测试）作者单位：YOLO...
一文带你快速入门『YOLOv8』
ReturnTmp的博客
09-08 1782
本文是 YOLOv8 入门指南（大佬请绕过），将会详细讲解安装，配置，训练，验证，预测等过程注意：如果遇到权重文件，模型文件下载缓慢的问题，可以在自己本机上下载，再上传到服务器。也可以选择代理或是 IDM 这样的下载软件然后下载 zip 压缩包即可。
Darknet-Yolov4-Social-Distancing
04-17
手册： ： 讨论： 关于Darknet框架： : //pjreddie.com/darknet/ YOLOv4模型动物园 要求（以及如何安装依赖项） 预训练模型 常见问题解答-常见问题 问题说明 Yolo v4在其他框架（TensorRT，TensorFlow，...
darknet：YOLOv4v Scaled-YOLOv4-用于对象检测的神经网络（Windows和Linux版本的Darknet）
02-04
适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） 纸YOLO v4： ： Paper Scaled ： ： 用于重现结果... tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。 tkDNN： ： Op
“人力资源+大数据+薪酬报告+涨薪调薪”
08-27
人力资源+大数据+薪酬报告+涨薪调薪，在学习、工作生活中，越来越多的事务都会使用到报告，通常情况下，报告的内容含量大、篇幅较长。那么什么样的薪酬报告才是有效的呢？以下是小编精心整理的调薪申请报告，欢迎大家分享。相信老板看到这样的报告，一定会考虑涨薪的哦。
java-ssm+jsp雁门关风景区宣传网站实现源码
08-27
java-ssm+jsp雁门关风景区宣传网站 项目关键技术 开发工具：IDEA 、Eclipse 编程语言: Java 数据库: MySQL5.7+ 后端技术：ssm 前端技术：jsp 关键技术：jsp、spring、ssm、MYSQL、MAVEN 数据库工具：Navicat、SQLyog
springboot584科研管理系统_2byeq--.zip
08-27
随着计算机技术发展，计算机系统的应用已延伸到社会的各个领域，大量基于网络的广泛应用给生活带来了十分的便利。所以把科研管理与现在网络相结合，利用计算机搭建科研管理系统，实现科研的信息化。则对于进一步提高科研管理发展，丰富科研管理经验能起到不少的促进作用。 系统阐述的是使用科研管理系统，对于Java、B/S结构、MySql进行了较为深入的学习与应用。主要针对系统的设计，描述，实现和分析与测试方面来表明开发的过程。开发中使用了springboot框架和MySql数据库技术搭建系统的整体架构。利用这些技术结合实际需求开发了具有个人中心、用户管理、科研队伍管理、队伍信息管理、加入队伍管理、队伍申请管理、科研成果管理、项目成果申报管理、公告信息管理、资源文件管理、信息交流、系统管理等功能的系统，最后对系统进行相应的测试，测试系统有无存在问题以及测试用户权限来优化系统，最后系统达到预期目标。
基于微信小程序便捷饭店点餐小程序的设计与实现.docx
08-27
基于微信小程序便捷饭店点餐小程序的设计与实现.docx
基于ZigBee的无线控制系统软硬件设计.docx
最新发布
08-27
基于ZigBee的无线控制系统软硬件设计.docx
C#开发web网页管理系统（asp.net）-毕业生论文答辩系统及数据库表的sql文件
08-27
系统需求：本系统分为学生及老师两个入口，学生进入后可进行论文题目选题，老师可以实现题目的发布及维护，并可查看学生的选题情况，同时可以对学生进行维护，并能够给出学生的论文成绩，最终可按不同的分数段统计学生人数（60以下，60-70，70-80，80-90，90以上）注意每学生仅能选一题，每题仅能有一个来选。 逻辑模型—— 学生信息表（学号, 密码, 姓名, 性别, 学院, 专业班级, 联系电话） 主码：学号 教师信息表（工号, 密码, 姓名, 性别, 学院, 职称） 主码：工号 课题信息表（课题号, 课题名, 课题要求, 指导老师工号, 发布时间） 主码：课题号 选题表（学号, 课题号, 选题时间, 是否通过, 指导老师工号） 主码：学号 外码：课题号，指导老师工号 成绩表（学号, 课题号, 答辩时间, 成绩, 指导老师工号） 主码：学号 外码：课题号，指导老师工号 使用本系统，需要部署本地的odbc接口程序，详见本篇——https://blog.csdn.net/liKeQing1027520/article/details/138703774 更多相关查看我的【数据库】专栏
【PID控制】基于matlab simulink模糊神经网络的PID控制器研究与设计【含Matlab源码 7369期】.mp4
08-27
Matlab研究室上传的视频均有对应的完整代码，皆可运行，亲测可用，适合小白； 1、代码压缩包内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描视频QQ名片； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作
写一个使用tensorrt加速YOLOv3-tiny的Python程序
03-12
我可以回答这个问题。以下是一个使用TensorRT加速YOLOv3-tiny的Python程序的示例： ```python import tensorrt as trt import pycuda.driver as cuda import pycuda.autoinit import numpy as np import cv2 # Load the TensorRT engine engine_file_path = 'yolov3-tiny.engine' with open(engine_file_path, 'rb') as f: engine_data = f.read() engine = trt.lite.Engine(None, engine_data) # Create a TensorRT context context = engine.create_execution_context() # Allocate memory for input and output tensors input_shape = (3, 416, 416) input_size = np.product(input_shape) * np.dtype(np.float32).itemsize input_buf = cuda.mem_alloc(input_size) output_shape = (1, 255, 13, 13) output_size = np.product(output_shape) * np.dtype(np.float32).itemsize output_buf = cuda.mem_alloc(output_size) # Load an image and preprocess it image_file_path = 'image.jpg' image = cv2.imread(image_file_path) image = cv2.resize(image, (416, 416)) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image = image.transpose((2, 0, 1)) image = image.astype(np.float32) / 255.0 image = np.ascontiguousarray(image) # Copy the input tensor to the GPU cuda.memcpy_htod(input_buf, image) # Run inference context.execute_v2(bindings=[int(input_buf), int(output_buf)]) # Copy the output tensor from the GPU output = np.empty(output_shape, dtype=np.float32) cuda.memcpy_dtoh(output, output_buf) # Postprocess the output tensor output = output.reshape((1, 3, 85, 13, 13)) boxes = output[:, :2, :, :, :] * 32.0 confidences = output[:, 2:3, :, :, :] class_probs = output[:, 3:, :, :, :] scores = confidences * class_probs scores = scores.reshape((1, 255, -1)) scores = scores[0] scores = scores[scores[:, 0] > 0.5] boxes = boxes.reshape((1, 2, -1)) boxes = boxes[0] boxes = boxes[:, :, boxes[0, :, 0] > 0.5] boxes = boxes.transpose((1, 0, 2)) boxes = boxes.reshape((-1, 4)) boxes[:, 0] -= boxes[:, 2] / 2 boxes[:, 1] -= boxes[:, 3] / 2 boxes[:, 2] += boxes[:, 0] boxes[:, 3] += boxes[:, 1] boxes = boxes.astype(np.int32) scores = scores[scores[:, 0].argsort()[::-1]] scores = scores[:100] boxes = boxes[:100] for box, score in zip(boxes, scores): x1, y1, x2, y2 = box label = np.argmax(score[1:]) + 1 confidence = score[label] print(f'Label: {label}, Confidence: {confidence}, Box: ({x1}, {y1}, {x2}, {y2})') ``` 这个程序使用TensorRT加速了YOLOv3-tiny的推理过程，可以在GPU上快速地检测图像中的物体。
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

打赏作者

戚恬娟Titus

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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