FasterRcnn在Jetson TX2上测速

最新推荐文章于 2023-05-16 22:59:20 发布
最新推荐文章于 2023-05-16 22:59:20 发布
阅读量1.8k 收藏 5
点赞数 1
分类专栏： Jetson TX2 嵌入式部署 文章标签： Fasterrcnn TRT Fasterrcnn tx2 tx2+TRT测速 tx2部署检测模型 TensorRT
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/mathlxj/article/details/106746370
版权

博主测试了在不同模式、精度下将FasterRCNN部署到Jetson TX2上的测速结果，与大家分享讨论。
对于MaskRCNN的部署结果可参见:MaskRCNN在Jetson tx2上的测速结果

使用的Caffe版本FasterRcnn框架:rbgirshick/py-faster-rcnn

表1 Fasterrcnn+TensorRT在Jetson TX2上测速结果

次序图像名图像尺寸TX2模式风扇生成engine推断时间
1test1.ppm1000x575MAXN开306s746ms
2test1.ppm1000x575MAXN关320s743ms
3test1.ppm1000x575MAXQ开459s1004ms
4test1.ppm1000x575MAXP_CORE_ALL开354s826ms
5test1.ppm1000x575MAXP_CORE_ARM开开381s
6test1.ppm1000x575MAXP_CORE_DENVER开334s
7test2.ppm600x600MAXN开316s729ms
7test3.ppm1024x770MAXN开436s977ms
8test4.ppm371x505MAXN开154s406ms

其它Jetson开发板测速结果

1.MaskRCNN+TensorRT在Jetson tx2上的测速
2.FasterRCNN+TensorRT在Jetson TX2上测速
3.MaskRCNN+TensorRT在Jetson Xavier上的测速
4.pytorch+FasterRCNN在Jetson Xavier上的测速
5.MaskRCNN+TensorRT在Jetson Xavier NX上的测速
6.pytorch+FasterRCNN在Jetson Xavier NX上的测速

mathlxj
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Nvidia Jetson TX2 运行Faster RCNN物体检测demo
sinat_20350479的博客
11-13 6509
实验室新入手了Nvidia的Jetson TX2，Ubuntu14.04+cudnn5.1+Cuda8.0+caffe运行faster rcnn的物体检测demo 先来介绍一下我们的环境，板子具体的配置过程就不再细讲，我配的是Ubuntu 14.04+cuda8.0+cudnn5.1，这里要开始画重点啦，
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...
jetson-tx2-pytorch:在Nvidia Jetson TX1TX2上安装PyTorch
05-11
在NVIDIA Jetson TX1 / TX2上安装PyTorch 是一个新的深度学习框架，可以在Jetson TX1和TX2板上很好地运行。 它安装起来相对简单快捷。 与TensorFlow不同，它不需要外部交换分区即可在TX1上构建。 尽管TX2具有足够的32 GB eMMC，但TX1仅具有一半，而且由于JetPack，Ubuntu软件包和安装工件的限制，它很容易用完空间。 下面的清理部分列出了一些简化方法，此处的步骤倾向于极简主义。 PyTorch开发人员推荐Anaconda发行版。 我找不到用于ARM64的最新Anaconda设置，因此我使用了全局python库。 提示：在TX2上，运行~/jetson_clocks.sh加速CPU的运行并启用两个以上的内核。 这样可以将PyTorch的编译时间从45分钟减少到37分钟。 我没有在TX1上进行测试，但是可以预期的是速度不会
ubutnu16.04+caffe+cuda8.0+NVIDIA TX2环境下，Faster RCNN 训练中的一些问题及解决办法
站在巨人的肩膀上coding
01-11 2702
之前实验室购买了NVIDIA-jetson-TX2系类的嵌入式开发板，就迫不及待的在上面配好了caffe 和py-faster rcnn。当时没配散热器，无法在上面训练测试，只是跑了demo，demo跑起来还是很顺畅的，基本没修改代码，也没有所谓的numpy版本问题。不知道具体在嵌入式环境下的准确率效果怎样。今天买的散热器到了，装好后来训练。 好，废话不多说，先贴一张在nvidia jets
Jetson系列配置对比——Nano、TX1、TX2、AGX Xavier、Xavier NX
热门推荐
mathlxj的博客
11-17 2万+
Jetson开发板测速结果 1.MaskRCNN+TensorRT在Jetson tx2上的测速 2.FasterRCNN+TensorRT在Jetson TX2上测速 3.MaskRCNN+TensorRT在Jetson Xavier上的测速 4.pytorch+FasterRCNN在Jetson Xavier上的测速 5.MaskRCNN+TensorRT在Jetson Xavier NX上的测速 6.pytorch+FasterRCNN在Jetson Xavier NX上的测速 ...
我的AI之路(31)--在Jetson Nano上试验安装部署py-faster-rcnn
XCCCCZ的博客
07-13 3217
想试验英伟达的Jetson序列套件或者其他公司的类似边缘计算开发板能否跑我们的模型并部署到机器人上，于是买了块今年上市的Jetson Nano板子和一张64G的SD卡。 首先要到英伟达的网站https://developer.nvidia.com/embedded/downloads点击Jetson Nano Developer Kit SD Card Image然后...
TX2上运行py-faster-rcnn 的demo并训练自己的数据集
机器学习_成长之路
03-17 653
参考 https://blog.csdn.net/sinat_20350479/article/details/78525688 1. 下载源码 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 可提前下载，直接解压(py-faster-rcnn.zip) 2. 复制makefile，编译过...
MaskRCNN在Jetson tx2上的测速结果
mathlxj的博客
06-14 2596
博主测试了在不同模式、精度下降MaskRCNN部署到Jetson TX2上的测速结果，与大家分享讨论。 使用的MaskRCNN框架:matterport/Mask_RCNN 参考的TensorRT代码:sampleUffFasterRCNN TensorRT版本: 6.0.1.0 JetPack版本:4.3 TensorFLow版本(用于在服务器上训练模型):1.14.0 服务器上用于训练的CUDA版本:9.2 表1 MaskRCNN+TensorRT在Jetson TX2上测速结果 次序 图像
Jetson TX2原理图
09-19
Jetson TX2 原理图，pdf格式，硬件设计、调试等可参考
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
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
基于Jetson TX1的faster-rcnn的算法搭建
chenjiehua123456789的博客
03-13 2765
Data: 2016.12.19 Author: cjh Theme: Set up the faster-rcnnenvironment   由于R-FCN运行内存较大，TX1貌似性能不够，又在开发板上尝试faster-rcnn，这个遇到的问题相对比较多，废话不多说，直接上过程     步骤1：下载源码 git clone --recursive https://github
【AI】AI入门之Nvidia Jetson平台（五）- Xavier NX TensorFlow框架模型：sampleUffFasterRCNN 项目演示
最新发布
顶级小学生
05-16 308
AI人工智能，深度学习，Jetson嵌入式平台，Ubuntu系统
win10系统mmdetection训练部署fasterrcnn的全过程
keep
08-04 3431
训练mmdetection中的fasterrcnn的全过程以及问题记录，修改cpp文件增加标签类别和计时，使用mmdeploy进行部署。
TensorRT4.0.1.6加速主干网络是googleNet的fasterRCNN
猫猫与橙子的博客
03-04 1757
使用TensorRT对fasterRCNN进行加速，主干网络是googleNet。 原始网络结构： tensorrt_sdk{ type: FASTERCNN_GOOGLENET in_put_layer:data out_put_layer:bbox_pred out_put_layer:cls_prob out_put_layer:rois } name: "Goog...
使用TensorRT 加速maskRCNN Benchmark
mengjiexu_cn的博客
07-12 6104
一、 所需工具 MaskRCNN benchmark的pth模型文件 pytorch.jit pytorch.onnx TensorRT 5.1 我用的是RTX2080Ti显卡 二、 加速过程 由于MaskRCNN是一个两段式的模型，所以我们可以只改写第一部分用于提取特征的backbone网络，第一部分到第二部分较为复杂同时占用的计算时间较少，所以我直接将改写好的第一部分嫁接到原本的maskr...
Jetson嵌入式系列模型部署-1
周同学的博客
08-17 9934
Jetson嵌入式系列模型部署
物体检测之FasterRCNN学习笔记
weixin_43925426的博客
05-16 2685
FasterRCNN是kaiming大神在RCNN, FastRCNN之后提出的一种新算法，在当时达到了检测领域SOTA的performance,如今已有超过18000次引用量，可以说是想要入门detection领域的同学必读的一篇文章。 本人在入门的时候看到的FasterRCNN解说大部分都囊括了所有的细节，包括IOU, NMS,BBOX regression算法等，看着看着会被绕晕，很少见到能把整个框架及流程解释的比较清楚的文章，我这次则想尝试，用简单易懂的语言，把整个pipeline从头到尾解释一遍，
目标检测算法——Fast R-CNN
Clichong
06-05 5979
文章目录1.Fast R-CNN简介2.Fast R-CNN处理过程1）候选区域的生成2）投影特征图获得相应的特征矩阵3）ROI层缩放4）展平特征图利用全连接层得到预测结果。3.Fast R-CNN损失函数4.Fast R-CNN总框架 1.Fast R-CNN简介 Fast R-CNN 其论文的名字就是 Fast R-CNN，原文链接。Fast R-CNN与R-CNN相同，同样使用VGG16作为网络的backbone，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再P
如何在jetson tx2上部署yolov5
05-01
要在Jetson TX2上部署YoloV5，可以按照以下步骤进行： 1. 安装JetPack：JetPack是NVIDIA Jetson平台的软件开发工具包，它包括Jetson操作系统、CUDA、cuDNN等必要软件。在Jetson TX2上部署YoloV5前，需要首先安装JetPack。 2. 安装依赖库：在Jetson TX2上运行YoloV5需要安装一些依赖库，例如OpenCV、PyTorch等。可以使用以下命令安装： ``` sudo apt-get update sudo apt-get install -y python3-pip libjpeg-dev libtiff5-dev libpng-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev libx264-dev libgtk-3-dev libatlas-base-dev gfortran python3-dev python3-numpy python3-opencv python3-torch ``` 3. 下载YoloV5代码：可以使用以下命令将YoloV5代码克隆到Jetson TX2上： ``` git clone https://github.com/ultralytics/yolov5.git ``` 4. 下载模型权重文件：YoloV5模型权重文件可以在YoloV5官方网站上下载。将下载的权重文件存放在yolov5目录下的weights文件夹中。 5. 运行YoloV5：使用以下命令运行YoloV5： ``` cd yolov5 python3 detect.py --weights weights/yolov5s.pt --img 640 --conf 0.25 --source 0 ``` 其中，--weights参数指定了模型权重文件路径，--img参数指定了输入图像大小，--conf参数指定了置信度阈值，--source参数指定了输入源，可以是摄像头、视频文件或图像文件。 以上是在Jetson TX2上部署YoloV5的基本步骤，具体操作可能会因环境配置、软件版本等原因而有所不同。

“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 1
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