Keras训练检测模型（Yolo3/tiny Yolo3），部署到Jetson TX2处理多路视频

最新推荐文章于 2024-09-06 23:23:00 发布

qq_20299401

最新推荐文章于 2024-09-06 23:23:00 发布

阅读量2.4k

点赞数 4

文章标签：深度学习计算机视觉

本文链接：https://blog.csdn.net/qq_20299401/article/details/105563233

版权

这篇博客介绍了如何使用Keras训练YOLOv3和YOLOv3_tiny模型，然后将.h5模型转换为ONNX格式，进一步部署到Jetson TX2上的Deepstream进行多路视频处理。详细步骤包括数据训练、模型转换和Deepstream的配置，以及在实际部署中需要注意的问题。

摘要由CSDN通过智能技术生成

Keras训练检测模型（Yolo3/tiny Yolo3），部署到Jetson TX2处理多路视频

通过自己的数据训练目标检测器，然后部署到边缘设备上进行检测，并能够进行多路视频处理。
主要内容包括：
1，使用自己数据训练yolo3/yolo3_tiny模型（Keras版本）
2，模型格式转换（.h5-ONNX）
3，部署ONNX模型到tx2 Deepstream
4，检测结果
代码：https://github.com/xiaomaozhou26/keras_onnx_tx2

使用数据训练自己的yolov3/yolov3_tiny模型

训练这一块网上有很多详细的资料，不再累述，实验过程参考blog：
https://blog.csdn.net/Patrick_Lxc/article/details/80615433
keras模型参考:
https://github.com/qqwweee/keras-yolo3

.h5文件转换为ONNX格式

Keras框架保存的模型为.h5格式，在部署到边缘设备之前，一般需要经过格式转换进行加速，可以通过转换到ONNX，并进一步经过TensorRT加速进行部署。下面提供不同模型转换所使用的代码：
.h5–.onnx --.trt 代码：https://github.com/onnx/keras-onnx;https://github.com/zombie0117/yolov3-tiny-on