英伟达ai识别

 环境：ubuntu 18.04 ,linux; jetson nano开发板

1.格式化sd卡安装和首次运行。

  访问官方的版主文档，进行对应的下载和具体操作，链接：https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#setup

向买家要资料，里面有dfp教程，都测试以后可以运行相应的功能。

2.换源

运行命令 //最好备份一下

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
sudo gedit /etc/apt/sources.list

 源：

deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse

deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse

deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse

deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse

deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse

 进行跟新：

sudo apt-get update
sudo apt-get install python3-pip python3-dev

 pip换源

先创建一个隐藏文件夹.pip

sudo mkdir .pip

cd进入，创建pip.conf文件 

sudo touch pip.conf
sudo gedit pip.conf

 源：

[global]
timeout=6000
index-url = https://pypi.doubanio.com/simple
trusted-host=pypi.doubanio.com

3.使用别人训练好的模型。

3.1导入文件

       使用yolov4,放入*.cfg,*.data,*.weights,分别放入darknet下的cfg，cfg，当前，的文件假下，有分类文件根据data放入相应的文件假下，没有可以自己写一个。

 3.2对这个模型进行测试

./darknet detector test cfg/pest511.data cfg/pest511.cfg pest511.weights data/dog.jpg

代码实现测试 

参考：https://blog.csdn.net/linghu8812/article/details/105750434?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162615632916780357225093%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=162615632916780357225093&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-4-105750434.pc_search_result_before_js&utm_term=resize%E5%88%B0608x608%E5%A4%A7%E5%B0%8F%E5%B9%B6%E5%B0%86%E5%9B%BE%E7%89%87%E8%BD%AC%E4%B8%BAdarknet%E7%9A%84IMAGE%E7%B1%BB%E5%9E%8B&spm=1018.2226.3001.4187

 查看daeknet.py是否有https://github.com/gengyanlei/fire-smoke-detect-yolov4/blob/master/yolov4/darknet.py

4.yolov4训练自己的模型

4.1安装labelImg

git clone https://github.com/tzutalin/labelImg

可以去这里:https://blog.csdn.net/kellyroslyn/article/details/91419121 

4.2准备自己的数据集

我这里使用的是csnd的课程文件: https://edu.csdn.net/course/detail/28745

文件准备：

ball.tar.gz  //2007格式 训练图片

gen_fifiles.py  //是生产成2007_train.txt和2007_test.txt文件

reval_voc.py

voc_eval.py

draw_pr.py

4.2.1解压建立或自行建立数据集

使用 PASCAL VOC 数据集的目录结构 :

建立文件夹层次为 darknet / VOCdevkit / VOC2007

VOC2007 下面建立两个文件夹： Annotations 和 JPEGImages

JPEGImages 放所有的训练和测试图片； Annotations 放所有的 xml 标记文件

----VOCdevkit

------------voc2007

------------Annotations

------------ImageSets

------------JPEGImages 

4.2.2 生成训练集和测试集文件

执行

python gen_files.py  

 在VOCdevkit / VOC2007目录下可以看到生成了文件夹labels ，同时在darknet下生成了两个文件 2007_train.txt和2007_test.txt。 2007_train.txt和2007_test.txt分别给出了训练图片文件和测试图片文件的列表，含有每个图片的路径 和文件名。