关于在Jetson部署Yolov5实现检测与串口通信传送位置信息
问题背景 这篇博客用来记录参加海赛C2过程中，如何实现在Jetson Nano上部署目标检测算法以及使用串口通信的方法。 数据标注与模型训练 YoloV5的使用与简单讲解 Yolov5模型目前在网络上已经经过了许多考验，且其Github官方也仍在不断更新，其相关平台的部署在官网也有很多教程，所以如果想在嵌入式平台部署目标检测以及分类网络，选择Yolov5可以带给我们极大的便利，这也是我选择使用Yolov5的原因。以下内容都是基于Yolov5目标检测模型的部署。 数据集的标注（使用Labelimg进行数据标注） 安装labelimg 这里是在Anaconda环境下的安装 conda create -n label python==3.9 # 注意这里必须是python3.9版本，否则..
更多
关于Jetson的系统烧录与环境配置
一、准备 Ubuntu电脑 or 虚拟机（Ubuntu系统） 能够进行数据传输的Micro-USB数据线 显示屏 、HDMI转接线、键鼠 二、进行烧录（参考瑞泰教程） 2.1 系统软件包的下载 2.1.1 烧录所需文件集中在这两个文件夹中，在本部分我选择安装LT4 R32.7.1版本 2.1.2根据Jetson类型进行选择 2.1.3根据载板型号进行选择 2.1.4随便选择一个版本 2.1.5下载对应文件，其中rtso-6002对应位置即为载板型号 2.1.6选择对应版本的L4T文件 2.1.7下载相应文件 2.2 在PC端Ubuntu系统进行烧录环境准备 2.2.1 将上述文件拷贝至烧录主机同一目录下 2.2.2 解压 Linux Driver Package $ tar -vxf J..
更多
成功解决Pytorch模型转trt模型中得BatchNorm问题
问题背景 如果你想把你的模型投入到应用中或者是想提升模型的运行速度，除了对网络进行压缩、蒸馏外，最好的方法就是将模型转成tensor模型，使用tensorrt实现对网络的加速。但是当该模型的功能是图像增强或者是图像生成，并且模型中运用了大量的batchnorm2d函数，运用网上现成的方法会发现模型转成onnx以及trt后，模型的处理效果大幅下降，想解决此问题就可以详细往下看了： 我们的方法顺序是：pytorch模型先转成onnx模型，接着将onnx模型转成trt模型 一、pytorch to onnx 核心代码： import torch from torchvision.utils import save_image import os from nets.tiny_unet_2_channelxian..
更多