NVIDIA Jetson TX1 系列开发教程之六:SSD安装与测试

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/u011475210/article/details/75174485

NVIDIA Jetson TX1 系列开发教程之六:SSD安装与测试


  • 转载请注明作者和出处:http://blog.csdn.net/u011475210
  • 嵌入式平台:NVIDIA Jetson TX1
  • 嵌入式系统:Ubuntu16.04
  • 虚拟机系统:Ubuntu14.04
  • 编者: WordZzzz

写在前面:
本博文原打算以SSD为例,介绍如何在NVIDIA Jetson TX1上安装SSD,并进行图片检测。

安装过程:

1.用以下命令安装依赖包:

$ sudo add-apt-repository universe
$ sudo add-apt-repository multiverse
$ sudo apt-get update
$ sudo apt-get install libboost-all-dev libprotobuf-dev libleveldb-dev libsnappy-dev
$ sudo apt-get install libhdf5-serial-dev protobuf-compiler libgflags-dev libgoogle-glog-dev
$ sudo apt-get install liblmdb-dev libblas-dev libatlas-base-dev libopenblas-dev

2.下载SSD源码安装包从如下网站:
SSD:https://github.com/weiliu89/caffe.git

$ git clone https://github.com/weiliu89/caffe.git

3.设置路径并解压:
a.如果是从官网下载的zip压缩包,则进行如下操作:

$ mkdir -pv $HOME/Work/caffe
$ cp caffe-ssd.zip $HOME/Work/caffe/
$ cd $HOME/Work/caffe/ && unzip caffe-ssd.zip

b.如果是git获得的,则进行如下操作:

$ mv caffe $HOME/Work/caffe/caffe-ssd

无论进行a操作还是b操作,最好都进行一下版本切换:

$ cd ~/Work/caffe/caffe-ssd
$ git checkout ssd

4.安装python依赖:

$ cd ../python
$ sudo apt-get install python-pip python-numpy
$ sudo pip install --upgrade pip
$ for req in $(cat requirements.txt); do pip install $req; done

requirements.txt内容如下:

Cython>=0.19.2
numpy>=1.7.1
scipy>=0.13.2
scikit-image>=0.9.3
matplotlib>=1.3.1
ipython>=3.0.0
h5py>=2.2.0
leveldb>=0.191
networkx>=1.8.1
nose>=1.3.0
pandas>=0.12.0
python-dateutil>=2.6.0
protobuf>=2.5.0
python-gflags>=2.0
pyyaml>=3.10
Pillow>=2.3.0
six>=1.1.0

5.编译SSD源码:

$ cd $HOME/Work/caffe/caffe-ssd
$ cp Makefile.config.example Makefile.config
$ vi Makefile.config

去掉下面该行代码的注释:

USE_CUDNN := 1

重点来了,在Makefile.config中找到下面这几行:

CUDA_ARCH := -gencode arch=compute_30,code=sm_30 \
        -gencode arch=compute_35,code=sm_35 \
        -gencode arch=compute_50,code=sm_50 \
        -gencode arch=compute_52,code=sm_52 \
        -gencode arch=compute_60,code=sm_60 \
        -gencode arch=compute_61,code=sm_61 \
        -gencode arch=compute_61,code=compute_61

更改为:

CUDA_ARCH := -gencode arch=compute_53,code=sm_53

这里的后缀数字53是TX1的计算能力,在其他平台上编译CAFFE也是同样的道理,要把计算能力改成对应的值,否则有可能会报错。关于计算能力如何确定,CUDA例程里面有测试程序,跑一下就可以输出GPU性能指标。

声明下面这两行路径,保存后退出:

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/aarch64-linux-gnu/hdf5/serial
$ make -j4

完成后在build/lib目录下会出现库文件libcaffe.so。

$ make all -j4
$ make runtest -j4(此部分报错,可以不跑)
$ make pycaffe -j4

环境变量配置:
1.在终端执行如下指令:

$ sudo vim ~/.bashrc

2.在最后一行添加caffe的python路径

export PYTHONPATH=$HOME/Work/caffe/caffe-ssd/python:$PYTHONPATH

然后加上之前声明的环境变量,这样就不用每次make或者运行的时候再次声明环境变量了。

export TEGRA_ARMABI=aarch64-linux-gnu
export DISPLAY=:0
export LD_LIBRARY_PATH=$HOME/Work/caffe/caffe-ssd/build/lib:/usr/local/cuda/lib64

3.source环境变量,在终端执行如下命令:

$ source ~/.bashrc

测试:
1.使用jupyter或者ipython打开notebook:

$ jupyter notebook

2.修改caffe路径,需要在下图的标记位置写上自己的caffe路径:

3.下载VGG训练模型,直接从官网下载即可,然后解压到models下。并确认下图中标记框中路径是否正确:

4.置信度,通过调节置信度阈值,来控制在检测结果中需要显示的显示框:

5.测试结果:

系列教程持续发布中,欢迎订阅、关注、收藏、评论、点赞哦~~( ̄▽ ̄~)~

完的汪(∪。∪)。。。zzz

展开阅读全文

没有更多推荐了,返回首页