[Jetson Nano] Jetson-inference(Hello AI World) 爬坑指南

最新推荐文章于 2024-08-08 07:21:31 发布

卡卡灰

最新推荐文章于 2024-08-08 07:21:31 发布

阅读量5.4k

点赞数 6

分类专栏： JetsonNano 文章标签： JetsonNano

本文链接：https://blog.csdn.net/qq_35456540/article/details/89323474

版权

JetsonNano 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

最近入手了Nvidia的Jetson Nano Developer Kit，在学习Jetson-inference项目时，遇到了不少问题，在这里整理一下作为记录。

项目地址：https://github.com/dusty-nv/jetson-inference

1. 从源码构建项目

获取源码和构建项目需要用到Git和CMake，官方提供的系统镜像已经预置了Git，CMake需要手动安装。

安装之前需要先更新一下，否则可能会安装不上。

$ sudo apt update
$ sudo apt upgrade
$ sudo apt-get install cmake

安装jetson-inference

$ git clone https://github.com/dusty-nv/jetson-inference
$ cd jetson-inference
$ git submodule update --init

配置并编译

$ mkdir build
$ cd build
$ cmake ../

配置过程中，可能会报网络连接失败之类的错误，暂不理会，等待cmake完成后既可以编译和安装了。

$ make
$ sudo make install

编译完成后会生成如下目录结构

|-build 
    \aarch64 
       \bin        二进制文件（示例程序和图像就在此路径下）
       \include    头文件
       \lib        库文件

2. 使用ImageNet对图像进行分类

首先进入bin目录下，运行控制台程序 imagenet-console

$ cd jetson-inference/build/aarch64/bin
$ ./imagenet-console orange_0.jpg output_0.jpg

首次运行应该会报一个段错误，具体内容如下：

[TRT] attempting to open engine cache file networks/bvlc_googlenet.caffemodel.2.1.GPU.FP16.engine
[TRT] cache file not found, profiling network model on device GPU
[TRT] device GPU, loading networks/googlenet.prototxt networks/bvlc_googlenet.caffemodel
[TRT] failed to retrieve tensor for Output "prob"
[TRT] device GPU, configuring CUDA engine
[TRT] device GPU, building FP16: ON
[TRT] device GPU, building INT8: OFF
[TRT] device GPU, building CUDA engine (this may take a few minutes the first time a network is loaded)
Segmentation fault

这个错误在ISSUES中有解答https://github.com/dusty-nv/jetson-inference/issues/308

错误原因是bvlc_googlenet.caffemodel 或googlenet.prototxt可能已损坏，需要手动下载替换。

$ cd jetson-inference/data/networks
$ wget https://raw.githubusercontent.com/BVLC/caffe/master/models/bvlc_googlenet/deploy.prototxt -O googlenet.prototxt
$ wget http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel -O bvlc_googlenet.caffemodel

然后重新配置并编译项目，这里官方给出的方案是删除build文件夹并重新配置编译。

经过测试这种方案并不能解决问题，估计是CMake时又下载了之前损坏的模型文件，把我们的修改给重置了。

所以，我们完成替换后直接进入build文件夹下重新配置编译。

$ cd jetson-inference/build
$ cmake ../
$ make

然后再运行项目

$ cd jetson-inference/build/aarch64/bin
$ ./imagenet-console orange_0.jpg output_0.jpg

第一次运行时加载模型时间较长，耐心等待一会儿，程序运行完成后，使用如下命令，打开生成的图像文件。

$ display output_0.jpg

为了测试方便，编写一个脚本文件用于运行程序并显示图像

$ vi run.sh

内容如下：

#！/bin/sh

./imagenet-console $1 output_$1

display output_$1

添加可执行权限，并运行脚本

$ chmod a+x ./run.sh
$ ./run.sh orange_0.jpg

脚本内容比较简单，后续在修改脚本，添加对其他几个例程的支持。

3. 运行实时摄像头识别演示

我使用的是CSI接口的树莓派V2摄像头，官方文档中提到CSI接口仅支持IMX219方案的摄像头，如果是几十块钱的CSI摄像头，就不要白费功夫了。而USB摄像头基本都是可用的。

加载不同模型来测试摄像头识别程序

$ ./imagenet-camera googlenet          
$ ./imagenet-camera alexnet

如果使用USB摄像头，需要修改imagenet-camera.cpp中的宏定义DEFAULT_CAMERA，然后重新编译。

4. 使用DetectNet定位对象坐标

这个例程注重第二个深度学习功能-检测对象，找到图像中的对象所在的位置，即提取边框。

从命令行中检测图像：

$ ./detectnet-console dog_1.jpg output_1.jpg coco-dog

运行报错如下：

[TRT] CaffeParser: Could not open file
[TRT] CaffeParser: Could not parse model file
[TRT] device GPU, failed to parse caffe network
device GPU, failed to load
detectNet -- failed to initialize.
detectnet-console: failed to initialize detectNet

根据消息内容可以确定，多半又是模型文件的问题，在Issues中也找到了类似的问题。

官方给出的解决方案是手动下载模型文件，并导入到data/networks目录下。

由于官方给出的是谷歌云盘的地址，一共1.3G左右，我把下载好的文件打包上传到百度云了，有需要的可以自行下载。

网盘链接：https://pan.baidu.com/s/1oBcCdGR-8s3wZX9fU-0iDg
提取码：utyh

下载完成后，把networks下的所有压缩包全部解压后，导入到jetson-inference/data/networks目录下。

重新运行实例程序，应该可以成功执行了。