Jetson Nano 配置tensorRT_Pro环境

---

前言

详解tensorRT的高性能部署方案，并附有强大的yolov5、yolox、retinaface、arcface、scrfd、deepsort、alphapose的高性能实现，低耦合，哪来即可用，集成到项目中
repo地址:https://github.com/shouxieai/tensorRT_cpp

---

准备工作

安装之前请先安装好CUDA、cuDNN、TensorRT和Pytorch
Jetson Nano CUDA、cuDNN、TensorRT与Pytorch环境配置

protobuf-3.11.4、tensorRT_Pro源码安装包下载
链接：https://pan.baidu.com/s/1mrIgGoMo0bq6otGhlh-E3A
提取码：6sb3

一、protobuf-3.11.4安装

安装protobuf-3.11.4依赖项

sudo apt-get install autoconf automake libtool curl make g++ unzip libffi-dev -y

卸载系统旧版本的protobuf

sudo apt-get remove libprotobuf-dev
# which protoc
#运行完“which protoc”会显示一个protoc的路径，如果没有显示则下面这条命令不必执行
rm /usr/local/bin/protoc
#具体路径以“which protoc”显示的为准
#如果原来是源代码安装的，cd 到项目目录输入sudo make uninstall

解压protobuf-3.11.4.zip，打开终端，cd进入解压的文件夹

unzip protobuf-3.11.4.zip
cd protobuf-3.11.4

编译安装

# 自动生成configure配置文件
./autogen.sh

# 配置环境
./configure

# 编译源代码(要有耐心！)
make -j4

# 安装
sudo make install

刷新共享库

sudo ldconfig

成功后需要使用命令测试

protoc -h

拉取tensorRT_Pro项目

git clone https://github.com/shouxieai/tensorRT_Pro.git
cd tensorRT_Pro

二. trtpy编译安装

2.1 修改CMakeLists.txt文件

为了libtorch和OpenCV能同时编译，在CMakeLists.txt中添加一行

set(CMAKE_CXX_FLAGS "-D_GLIBCXX_USE_CXX11_ABI=1")

设置HAS_PYTHON为ON，配置python路径，修改CUDA_GEN_CODE匹配自己的设备，Nano是“53”

Jetson平台下Cuda环境能够自动找到CUDA、cuDNN和TensorRT文件夹路径一般不需要配置。如果编译有问题，找一下自己的路径更改一下。

设置protobuf路径

设置include_directories，link_directories，使用系统的python3.6的include中的Python.h等头文件和python动态链接库。

2.2 注释和删除部分代码文件

注释如下代码，编译deepsort时，在Jetson平台会报错，开发者的建议是删除和deepsort有关的cpp，所以用到deepsort的target就都注释了，接下来还需要删除与deepsort和这两个target相关代码

注释和deepsort有关的代码

删除和deepsort有关的文件

修改这里改成python3

删除和deepsort有关的文件

修改src/main.cpp，删除图中红框的部分，去除CMakeLists.txt中注释了的arcface和fall两个target的调用。

删除src\application中的app_arcface.cpp与app_fall_recognize.cpp，因为这个两个cpp都调用了deepsort。

删除src\application\tools中的deepsort相关文件。

删除src\application\app_python中的deepsort相关文件。

2.3 编译安装trtpy
CMakeLists.txt修改完成后，进入tensorRT_Pro文件夹

# 打开终端，新建build文件夹并且cd进入
mkdir build && cd build

# 使用cmake生成编译相关文件
cmake ..

# 执行make yolo -j4 
make yolo -j4 

# 确保yolo能够正确编译后，执行make编译安装trtpy，否则请进行详细检查确保yolo编译成功
sudo make pyinstall -j4

安装完成如下图

三、部署yolov7项目

3.1 导出yolov7-tiny.onnx

拉取yolov7代码

git clone https://github.com/WongKinYiu/yolov7.git

修改代码
如果直接用官方的yolov7-tiny.pz预训练模型，则在models/yolo.py的Detect类下修改；
如果用的是自己训练的模型，用netron工具查看末尾节点是否为IDetect，若是则在models/yolo.py的IDetect类下修改；

修改这三处地方

再到export.py下修改

导出onnx模型

cd yolov7
python export.py --dynamic --grid --weights=best.pt

查看网络结构

netron yolov7-tiny.onnx

结构如下图则为成功

3.2 运行

源码修改

yolo模型的推理代码主要在src/application/app_yolo.cpp文件中，需要推理的图片放在workspace/inference文件夹中，将上述修改后导出的ONNX文件放在workspace/文件夹下。源码修改较简单主要有以下几点：

若果是自己训练的模型则改动1、2、3点，使用预训练模型则改动第1、点

1. app_yolo.cpp 177行 “yolov7"改成"best”，构建best.pt模型
2. app_yolo.cpp 100行 cocolabels修改为mylabels
3. app_yolo.cpp 25行 新增mylabels数组，添加自训练模型的类别名称

具体修改如下

test(Yolo::Type::V7, TRT::Mode::FP32, "best")				//修改1 177行"yolov7"改成"best"

for(auto& obj : boxes){
     ...
     auto name    = mylabels[obj.class_label];	 			//修改2 100行cocolabels修改为mylabels
	 ...
}

static const char* mylabels[] = {"have_mask", "no_mask"};	//修改3 25行新增代码，为自训练模型的类别名称

编译
编译生成可执行文件.pro，保存在workspace/文件夹下，指令如下：

$ cd tensorRT_Pro-main
$ mkdir build && cd build
$ cmake .. && make -j8

耐心等待编译完成(PS:需要一段时间)，make -j参数的选取一般时以CPU核心数两倍为宜，参考自make -j参数简介，Linux下CPU核心数可通过lscpu指令查看，jetson nano的cpu核心数为4。

模型构建和推理
编译完成后的可执行文件.pro存放在workspace/文件夹下，故进入workspace文件夹下执行以下指令

$ cd workspace    // 进入可执行文件目录下
$ ls			  // 查看当前目录下所有文件
$ ./pro yolo	  // 构建模型并推理 

模型构建和推理图解如下所示。在workspace/文件夹下会生成best.FP32.trtmodel引擎文件用于模型推理，会生成best_Yolov7_FP32_result文件夹，该文件夹下保存了推理的图片。

参考

1、Jetson Xavier NX Trtpy安装
2、Ubuntu卸载protobuf并安装3.6.0版本的protobuf
3、OpenCV 编译链接 undefined reference to ‘cv::imread(std::string const&, int)’