开坑Jetson Nano(三):试跑yolov3(tiny版和tiny剪枝版)

一.前言

由于诸多原因，这篇的创作相对于第二篇确实过了很久，对于感兴趣的研究人员实在是抱歉(虽然前两篇也没什么人看)。
之前我试着跑Jetson Nano官方开源的项目dusty-nv/jetson-inference
但是因为各种各样的原因死活跑不起来，在网上搜索了很多，还在Issues里提问了，最终也解决不了,属实无奈😔。后来在油管上看到有大神在Jetson Nano上跑了yolov3的各种版本，还把模型拿出来卖!于是我便对这个广泛应用于目标检测的轻量级网络起了兴趣，并做了如下的工作。

二.yolov3的运行

1.环境搭建

我全篇参考这个博客。
在此我仅仅把上面的内容稍微翻译一下:

1)更新库

sudo apt-get update

2)设置cuda的环境变量路径(这里是以10.0版本的cuda为例；建议把环境变量配置到gedit ~/.bashrc文件末尾)

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

3)下载Darknet 以及Yolov3的权重文件

git clone https://github.com/AlexeyAB/darknet
cd darknet
wget https://pjreddie.com/media/files/yolov3.weights
wget https://pjreddie.com/media/files/yolov3-tiny.weights

4)配置GPU相关参数

sudo gedit Makefile

打开后配置参数(之前应该都是0):
GPU=1
CUDNN=1
OPENCV=1

5)完成配置

make

2.普通版运行

**记得要用5V3A的电源供电，不要用USB port不然会带不动导致Jetson Nano闪退.**

1)进入yolov3(darknet)根目录

cd darknet

2)图片检测()

./darknet detector test cfg/coco.data yolov3.cfg yolov3.weights -ext_output dog.jpg
./darknet detector test cfg/coco.data yolov3-tiny.cfg yolov3-tiny.weights -ext_output dog.jpg

3)视屏检测(如果没建swap分区,建议用yolov3-tiny)

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights -ext_output test.mp4
./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -ext_output test.mp4

4)摄像头检测(这一步按原版会出错，我后来参考的是)

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights -c 0
./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

我只在室内简单地跑了以下，感觉检测效果还行，就是FPS稍微低了些(15左右,有可能是CSI摄像头或者其它环境配置的问题，知乎上有人说可以达到25FPS)，其实老实讲对于这对于一个总价不到1000的嵌入式设备(并且兼容树莓派/ARM系列单片机的周边设备)而言已经非常不错了。

3.Yolov3剪枝

这里我主要是参考,因为这篇应该是github上有关yolov3剪枝方面去最容易理解的一个模型,我按作者的思路一步一步地做到了最后(建议不是太懂的还是老老实实地下载oxford hand数据集，除了正常训练其它的都做了).这篇应该是集大成者，有兴趣的可以去深究它.

1)准备自己的数据集

此处我使用的是coco2017数据集，通过提取其person类作为模型数据集。
提取代码主要参考这两篇: 参考1
参考2

2)更改配置文件

这个是我稀疏化训练的程序：

python3 train.py --cfg cfg/yolov3-tiny-1cls.cfg --data data/coco_person.data --weights weights/yolov3-tiny.weights --accumulate 1 --epoch 100 --batch-size 16 -sr --s 0.001 --prune 2

其中参考做出解读:

• cfg: 配置文件;此处根据数据集和weights文件选择。我是因为只训练一类并且使用的是yolov3-tiny.weights
• data: 此处最好是仿照oxfordhand.data进行修改并更改oxfordhand.names
• weights: yolov3.weights/yolov3-tiny.weights 二选一，因为要跑在jetson nano上所以我先选了tiny
• accumulate : 它和batch-size决定了在送入优化器之前的有效批次大小，我习惯地把这两个参数调小
• epoch: 参考中有说’第一次我使用的是默认的300轮，当我训练到43轮时，如下图所示loss与map趋于稳定，权重也 相对归一化，我选择减小轮次以使用更小的学习率’，而且我目前这张卡性能不大好，所以参照着修改为100
• -sr --s： 这两处近乎默认，如果数据集不够好可以稍微改小点
• prune: 用的是tiny,所以选2

3)稀疏化训练

按上述命令进行训练,环境:

• 机器 : Dell T5820服务器
• GPU: Nvidia P4000
• cuda: 10.1
• cudnn: 7.5
  总共训练了77个小时,曲线相对正常，只不过最后的map比较低，可能和我的超参数设置有关(欢迎各位点评).

4)tiny剪枝

需要注意的是，这里需要在.py文件内，将opt内的cfg和weights变量指向第2步稀疏化后生成的cfg文件和weights文件。 此外，可通过增大代码中percent的值来获得更大的压缩率。（若稀疏化不到位，且percent值过大，程序会报错;我选择了0.1和0.3的）

python3 prune_tiny_yolo.py

单张图片测试

5)在Jetson nano上运行

未剪枝的tiny版本: fps约在15左右(jetson nano现在不在身边，等以后再附上视屏)。

剪枝的tiny版本: