Jetson嵌入式系列模型部署-2

前言

给大家安利的第一个仓库是tensorrtx。该仓库通过TensorRT的Layer API完成模型的构建工作，自定义权重加载并通过TensorRT序列化生成engine文件，完成高性能推理工作。对模型部署有疑问的可参考上篇文章Jetson嵌入式系列模型部署-1。本文主要是针对tensorrtx项目中的yolov5完成嵌入式模型部署，本文参考自tensorrtx的README.md，具体操作流程作者描述非常详细，这里再简单过一遍，本次训练的模型使用的是yolov5s-6.0，类别数为2，为口罩识别😷。

1. 源码下载

使用如下指令

$ git clone https://github.com/wang-xinyu/tensorrtx.git

注：不同版本的yolov5使用不同版本的tensorrtx，具体参考here

删除多余的文件，只保留yolov5文件夹

2. 环境配置

需要使用的软件环境有TensorRT、CUDA、CUDNN、OpenCV。所有软件环境在JetPack镜像中已经安装完成。博主使用的jetpack版本为JetPack4.6.1(PS:关于jetson nano刷机就不再赘述了，需要各位看官自行配置好相关环境😄，外网访问较慢，这里提供JetPack镜像下载链接Baidu Drive[password:nano]【更新完毕!!!】(PS:提供4.6和4.6.1两个版本，注意4GB和2GB的区别，不要刷错了)，关于Jetson Nano 2GB和4GB的区别可参考Jetson NANO是什么？如何选？。(吐槽下这玩意上传忒慢了，超级会员不顶用呀，终于上传完了，折磨!!!)

2.1 Jtop(option)

可使用如下指令查看自己的JetPack版本简单信息

$ cat /etc/nv_tegra_release

使用Jtop可查看JetPack详细信息。Jtop是一个由第三方开发，用于显示Jetson开发板信息的包，可以查询当前板子CPU，GPU使用率，实时功耗，Jetpack软件包信息等，参考自Jetson nano安装jtop，Jetson nano安装pip并换源

2.1.1 配置pip

$ sudo apt install python-pip python3-pip
$ pip3 install --upgrade pip
$ pip install --upgrade pip

pip换源，指令如下

$ sudo mkdir .pip && cd .pip
$ sudo touch pip.conf
$ sudo vim pip.conf

添加如下内容

[global]
timeout = 6000
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn

2.1.2 安装jtop

$ sudo pip3 install -U jetson-stats

2.1.3 使用jtop

$ sudo jtop
The jetson_stats.service is not active. Please run:
sudo systemctl restart jetson_stats.service

需要启动相关服务，指令如下

$ sudo systemctl restart jetson_stats.service
$ jtop

博主Jtop显示的jetson nano软件包信息页面如下

在这里插入图片描述

2.2 源码配置说明

在命令行参数选择模型 n/s/m/l/x/n6/ns/s6/m6/l6/x6
输入尺寸的定义在yololayer.h
类别数的定义在yololayer.h中，如果是自定义模型，不要忘记修改
INT8/FP16/FP32可以通过yolov5.cpp中的宏进行选择
GPU ID可以通过yolov5.cpp中的宏指定
NMS阈值的设置在yolov5.cpp中
BBox置信度阈值的设置在yolov5.cpp中
Batch size的设置在yolov5.cpp中

3. 运行

3.1 .pt转.wts

tensorrtx项目通过tensorRT的Layer API一层层搭建模型，模型权重的加载则通过自定义方式实现，通过get_wts.py文件将yolov5模型的权重即yolov5.pt保存成yolov5.wts，生成的yolov5.wts文件即作者自定义的权重文件方便后续加载使用。给出相关权重文件的下载链接地址Baidu Drive[password:yolo]

权重的生成在本地完成即可，将转换生成的yolov5.wts文件拷贝回到yolov5文件夹下

yolov5s.wts文件生成指令如下：

$ python gen_wts.py -w weights/yolov5s.pt yolov5s.wts

错误如下：

Traceback (most recent call last):File "gen_wts.py", line 6, in <module>from utils.torch_utils import select_device
ModuleNotFoundError: No module named 'utils.torch_utils'

解决方案如下：

get_wts.py文件依赖于yolov5官方源码，需要下载yolov5官方源码并进行如下操作

$ git clone -b v6.0 https://github.com/ultralytics/yolov5.git   // 下载yolov5-6.0源码
$ cp tensorrtx/yolov5/gen_wts.py yolov5-6.0       // 将get_wts.py文件和权重文件拷贝到yolov5源码中
$ python gen_wts.py -w yolov5s.pt -o yolov5s.wts  // 生成wts文件

生成的wts权重文件部分内容如下图所示

.wts文件为纯文本文件
350为模型所有键对应的数目即表示它有多少行(不包括自身)
每一行形式是 [权重名称] [value count = N] [value1] [value2] … [valueN]
- model.0.conv.weight为模型权重保存的第一个键的名称
- 3456为模型权重保存的第一个键对应值的总长度
- 后面的数字为模型权重保存的第一个键对应的值，以十六进制的形式进行保存

在这里插入图片描述

3.2 build

加载yolov5s.wts权重文件，并通过tensorRT序列化生成engine引擎文件。注意先修改下yololayer.h中的CLASS_NUM，修改为自训练模型的类别数。如下图所示，本次训练的模型类别数为1，故将CLASS_NUM修改为1。

在这里插入图片描述

修改完成后便可进行编译生成引擎文件，指令如下

$ cd tensorrtx/yolov5
$ mkdir build && cd build
$ cp ../yolov5s.wts ./
$ cmake .. && make
$ sudo ./yolov5 -s yolov5s.wts yolov5s.engine s

图解如下所示，执行完成之后会在build目录下生成yolov5s.engine引擎文件

在这里插入图片描述

3.3 run

通过tensorRT生成的engine文件进行模型推理，指令如下

$ sudo ./yolov5 -d yolov5s.engine ../images/

执行完成后会在build目录下生成推理完成后的图片，图解如下

在这里插入图片描述

检测的图片效果如下图所示

在这里插入图片描述

注：关于调用相关摄像头检测可以参考here自行修改

4. 结语

本篇博客只是一个引子，带大家认识到这个项目，并做了最基础的演示，其他模型的部署工作需要各位看官自己去挖掘啦😃。如果想简单了解下tensorRT部署知识可参考上篇文章Jetson嵌入式系列模型部署-1，下篇文章将会介绍另一个项目即tensorRT_Pro，该项目通过TensorRT的ONNX parser解析ONNX文件完成模型的构建工作，可参考下篇文章Jetson嵌入式系列模型部署-3。敬请期待!!!

5. 下载链接

源码下载链接Baidu Drive[password:yolo]，若有改动请参考最新
- 只保留了yolov5文件夹
- yolov5/yololayer.h中的CLASS_NUM已经修改为2(PS:本次模型为口罩识别😷，仅两个类别)
- yolov5/images存放着需要推理的图片
权重文件下载链接Baidu Drive[password:yolo]
- weights文件夹下共包含yolov5s.pt yolov5s.wts两个文件
- yolov5s.pt是使用yolov5s-6.0训练的口罩识别模型😷，共两个个类别
- yolov5s.wts是通过get_wts.py生成的作者自定义的权重文件，具体生成过程请参考上面
JetPack镜像下载链接Baidu Drive[password:nano]【更新完毕!!!】，上传忒慢