1.基本配置情况
jetpack:4.4
2.虚拟环境与pytorch
1)虚拟环境平台:miniforge
须知:板载平台上的支持GPU的pytorch平台需要手动下载,并且官网上支持jetpack4.4版本的pytorch需要的是python3.6。
由于与anaconda和miniconda相关的源和镜像源中不再维护aarch64的python3.6,因此选用miniforge虚拟环境平台,miniforge在NX板子上的具体安装可以参考网络上的一些帖子,特备注意下载的miniforge的版本要是aarch64的。
2)pytorch安装
NX板子上支持GPU的pytorch的安装不能直接pip需要从NVIDIA官网下载编译好的文件。链接如下,在NVIDIA官网中已经将安装,所需要依赖,验证这些写的很清楚了:PyTorch for Jetson - Jetson & Embedded Systems / Jetson Nano - NVIDIA Developer Forums
在安装过程中所需要注意的是:
- 在安装前确认好自己板子的jetpack版本,主要是区分4和5,根据版本下载pytorch。
- 针对jetpack4,pytorch最好下载1.9以上的。因为pytorch和torchvision有对应关系,而在ByteTrack的requirements.txt文件中要求torchvision>=0.10.0。(这也是我在后面部署Bytetrack时才发现的,我个人是安装的pytorch1.8,运行一些demo是没问题的)
3.跑通ByteTrack
1)安装
ByteTrack的github(镜像,不需要梯子):GitHub - ifzhang/ByteTrack: [ECCV 2022] ByteTrack: Multi-Object Tracking by Associating Every Detection Box (nuaa.cf)
具体的安装过程参考ByteTrack的github,同时建议手动pip requirements.txt文件中的包,因为在这个过程中有些包的安装耗时长,也会遇到缺少依赖报错的问题,因此建议分别安装,一问题一个问题解决,确保所有包都成功安装。我个人在安装和部署的过程中遇到了很多的报错,如下是我记录的一些问题,不是很全面有些问题并没有记录:
- 在运行demo时会出现Illegal instruction的报错。这其实是与numpy的版本的bug有关,pip默认下载的是1.19.5,而我们需要卸载numpy1.19.5,重新pip下载numpy==1.19.4。
- 在安装或者运行的过程中可能回报错缺少lap库。而lap库的安装不能直接安装,而是:
Pip3 install ‘git+https://hub.nuaa.cf/gatagat/lap.git’
2)运行
这里重点说明tensorrt加速的运行,在虚拟环境内使用tensorrt需要将本地的tensorrt与虚拟环境链接,因此需要软链接:
~/miniforge-pypy3/envs/byte/lib/python3.6/site-packages$ ln -s /usr/lib/python3.6/dist-packages/tensorrt/tensorrt.so tensorrt.so
还需要将tensorrt所在环境添加到虚拟环境当中:
export PYTHONPATH=/usr/lib/python3.6/dist-packages:$PYTHONPATH
注意:在模型转换的过程中可能还会出现内存不足killed的现象,这里可以将trt.py文件中的max_workspace_size减小。