Jetson nano加速yolov5

最新推荐文章于 2023-12-17 22:13:22 发布

是小段啊

最新推荐文章于 2023-12-17 22:13:22 发布

阅读量1.4k

点赞数 2

分类专栏：笔记

本文链接：https://blog.csdn.net/qq_57049821/article/details/120744351

版权

笔记专栏收录该内容

5 篇文章 0 订阅

订阅专栏

本文档详细介绍了如何将训练好的YOLOv5模型转换为TensorRT部署引擎。首先，在本地训练YOLOv5模型并生成.wts文件。接着，在Jetson Nano上，将.wts文件放入tensorrtx/yolov5目录，根据需求修改cpp文件和头文件。通过编译和构建，最终生成用于检测的.engine文件。完成这些步骤后，即可对目标图片进行实时检测。

摘要由CSDN通过智能技术生成

．在训练好自己的模型，
然后下载tensorrtx
git clone https://github.com/wang-xinyu/tensorrtx.git
1·首先自己训练yolov5，可以使用yolov5s.pt训练出来的best.pt文件进行操作。复制 tensorrtx/yolov5/gen_wts.py文件到 yolov5 文件夹中。然后运行生成相对应的.wts文件。
在这里插入图片描述

2.生成部署引擎，在Jetson nano板子上进行build
将yolov5s.wts文件放到tensorrtx/yolov5文件夹中，在yolov5.cpp文件中还可以修改fp16还是fp32 int8、device(选择哪一个GPU设备)、nms_thresh(nms的阈值)、conf_thresh(conf的置信度)、batch_size(批次大小)
打开yololayer.h文件，修改他的num总数，根据你训练模型的类个数来。
在这里插入图片描述

确保tensorrtx/yolov5文件下有你的wts文件，并且相应地修改了yolov5.cpp
文件和yolovlayer.h文件。
然后在tensorrtx/yolov5文件夹下依次执行下面的代码
mkdir build
cd build
cmake …
make
sudo ./yolov5 -s …/yolov5s.wts yolov5s.engine s
生成.engine文件。

最后，把要检测的图片放在samples中。运行一下命令即可进行检测。
在这里插入图片描述