xavier、tx2运行实时物体检测网络YOLOv3的对比测试总结

目录

1、yolo源码下载下载

2、修改yolo网络编译选项

2.1、配置编译选项

2.2、设置GPU架构的计算能力

3、下载配置文件、权重文件

4、运行测试

4.1、YOLOv3 （107层深度学习网络）测试方式

4.2、YOLOv3-tiny（24层深度学习网络）测试方式

5、测试结果对比

---

1、yolo源码下载下载

从github上clone最新代码

git clone https://github.com/pjreddie/darknet.git

cd darknet

2、修改yolo网络编译选项

 我们只需要关注前几行：宏定义及GPU架构。

2.1、配置编译选项

GPU=1 #是否需要用GPU

CUDNN=1 #是否需要用CUDNN,这是NVIDIA做的一些优化,就是一些库文件,优化一些常用的矩阵操作

OPENCV=1 #是否需要用OPENCV，如果不使能程序执行完毕后不会自动弹出照片，且不能使用网络摄像头

OPENMP=1 #CPU的多线程

注意：如果使能CUDA需要制定CUDA路径，不然会报错

/bin/sh: 1: nvcc: not found

make: *** [obj/convolutional_kernels.o] Error 127

解决方法：

# 修改makefile 修改为对应的CUDA 版本

NVCC = /usr/local/cuda-10.0/bin/nvcc

2.2、设置GPU架构的计算能力

 

#Arch 就是GPU的架构版本，没有GPU或者GPU不支持CUDA的就不用配合这里

ARCH=

-gencode arch=compute_53,code=[sm_53,sm_53]            # TX1计算能力是53

-gencode arch=compute_61,code=[sm_61,compute_61]  # Pascal架构 GTX 1080 计算能力6.1

-gencode arch=compute_62,code=[sm_62,compute_62]  # Pascal架构 TX2 计算能力6.2

-gencode arch=compute_72,code=[sm_72,compute_72]  # volta 架构  Xavier 计算能力7.2

 

3、下载配置文件、权重文件

在dartnet目录：

全功能版107层网络结构权重文件：

wget https://pjreddie.com/media/files/yolov3.weights

Tiny版24层网络结构权重文件：

wget https://pjreddie.com/media/files/yolov3-tiny.weights

 

4、运行测试

注意：OpenCV  默认没有使能，识别完成后不自动显示图片，需要手动在当前目录找到。

sudo clean

sudo make -j8     #8核CPU 编译

程序自带的可用于测试的图片：

图片

data/dog.jpg

data/person.jpg

data/horses.jpg

data/scream.jpg