作者|Abhishek
编译|Flin
起源|analyticsvidhya

第1局部

从在自定义数据集中训练检测器到应用TensorFlow 1.15在Jetson纳米板或云上进行推理的具体步骤

残缺代码可在GitHub上取得

  • TensorFlow对象检测API V2的教程可作为jupyter notebook应用

    • https://github.com/Tessellate...

  • TensorFlow对象检测API V1的教程可作为jupyter notebook应用

    • https://github.com/Tessellate...

一些常见的艰难包含

  • 应用对象检测API库查找兼容的TensorFlow（和相干的cuda）版本
  • 将自定义数据转换为tf记录格局
  • 混同了tf1.0和tf2.0的流程
  • 手动更新模型配置文件以进行训练
  • 运行训练过程并解决配置文件中的问题
  • 将模型从一种格局导出到另一种格局以进行推理
  • 混合了不同的模型格局类型——检查点、解冻图、saved_model (" .pb ")、tensorRT推断图等等
  • 在训练模型上运行推理
  • 将训练后的模型转换为量化格局，以便部署在诸如Jetson Nano的板上
  • 构建引擎和部署引擎之间的tensorRT版本和cuda计算能力不匹配

这个清单永无止境……

为克服上述一些问题，咱们在Monk Object Detection Toolkit中的Tensorflow 对象检测 API的两个版本上增加了一个低代码的pythonic包装器

应用它，开发人员和钻研人员能够轻松地

  • 应用TF推送定制训练数据集
  • 应用pythonic API配置所有参数的模型文件
  • 依据应用的网络和cuda版本的可用性，在TF1.0和TF2.0之间进行抉择
  • 依据本人的数据集训练、导出、优化、推断
  • 应用TensorRT优化模型并导出到云服务器或Jetson Nano等嵌入式板

传统流程概述

上面提到的是应用TF训练和部署定制探测器的过程。在形容过程流程的同时，还强调了一个人在使一切正常工作时所面临的问题；还提到了tf1.0和2.0版本的对象检测库的区别

过程A:TensorFlow与指标检测安装的兼容性

  • 要应用对象检测 2.0，请应用TensorFlow 2.3.0。版本2.0.0和2.1.0通常会导致“ tensorflow_core.keras.utils”. 2.2.0版在应用“CollectiveAllReduceExtended”模块进行训练时会导致谬误。
  • 应用TensorFlow 2.3.0时，须要Cuda 10.1。
  • 要应用对象检测 1.0，请应用TensorFlow版本1.15.0或1.15.2。
  • 应用TensorFlow 1.15时，须要Cuda 10.0。
  • TFLite转换依然存在某些谬误（将在当前的博客中探讨）

过程B：设置数据集

  • TensorFlow提供数据集工具以将数据转换为可承受的TF记录格局
  • 然而这些示例仅实用于最罕用的数据集，例如COCO，Pascal VOC，OpenImages，Pets-Dataset等。用户须要依据抉择的示例笔记本，依照COCO、VOC、OID等格局从新格式化和排列数据集
  • 另一种办法是更新示例代码以便提取自定义数据集，这自身就是一个艰巨的过程
  • 为了使自定义数据集的加载变得容易，咱们批改了示例并增加了进一步的解析器以反对多种数据正文类型，并将其间接转换为TF-Records。

过程C：更新配置并开始训练过程

  • Monk的对象检测API 1.0包装器反对大概23个模型，对象检测API 2.0反对大概26个模型
  • 一旦抉择了模型并下载了权重，就必须手动更新配置文件。
  • API 1.0和2.0的配置文件格式不同，须要以略微不同的形式进行手动更改
  • tf1.0中的某些配置存在根本特征提取参数的问题。

  • 在对配置文件利用更新后，整个工作区必须依照TF Obj github site站点上的教程指定的形式进行安顿。

    • 站点：https://github.com/tensorflow...

  • 重新安排后，能够开始训练。同样，针对TF 1.0和TF 2.0模型的训练是不同的。
  • 通过“Monk对象检测”，咱们增加了pythonic函数来更新配置文件，并且不再须要为工作空间应用严格的文件夹构造。两种TF版本的训练过程简直都与Monk的包装程序雷同。

过程D：导出经过训练的模型以进行推理

  • 两种对象检测API均以检查点 (“.ckpt”) 格局提供训练有素的模型。
  • 为了在TF 1.0中进行推理，通常应用解冻图形格局。
  • 为了在TF 2.0中进行推理，通常应用保留的模型格局。
  • 特地是对于初学者来说，转换模型的过程在两个API中都不雷同，通常很难弄清楚
  • 为了简化流程，咱们增加了解析器，以使内部包装器格局放弃雷同，这意味着咱们能同时应用TF 1.0 API和TF 2.0 API。

过程E：TensorRT推论的模型优化

  • 导出的模型最终应用TensorRT转换为优化版本。
  • 反对的优化包含浮点32位和16位（FP32，FP16）和整数8位（INT8）量化。
  • 从tf1.0和tf2.0转换导出模型的量化过程是齐全不同的。
  • TensorRT的版本存在其余问题。这意味着，应用TensorRT版本5.1.5优化的模型无奈在应用TensorRT版本5.1.6的部署计算机上运行。一个十分具体的问题是应用TensorFlow 1.15.0的对象检测1.0。这个TensorFlow带有tensorRT 5.1.5，而Jetpacks中没有这样的版本。
  • TensorRT的另一个问题是cuda计算性能。意思是，除非采取适当措施，否则在具备7.0版计算能力的GPU（V100 Nvidia GPU）上优化的模型不能在具备5.3版计算能力的GPU（Jetson纳米板）上运行。
  • 此博客通过训练和优化对象检测模型廓清了所有疑难

过程F：在Jetson Nano板上设置所有货色

  • 因为两个API都须要不同的TensorFlow版本，因而装置过程有所不同，Jetpack版本，CUDA版本以及TF 1.0在波及tensorRT版本时都须要进一步留神。

让咱们从版本1.0开始，每次应用一个对象检测API模块。

TF对象检测API 1.0

过程A：在开发机器上装置

将要装置的库

  • 先决条件：numpy，scipy，pandas，pillow，OpenCV-python
  • 带TensorRT 5.1.5的TensorFlow-GPU V1.15.0；如果在Nano板上部署则不须要
  • 带TensorRT 6.0.1的TensorFlow-GPU V1.15.2；如果在Nano板上进行部署，则须要
  • 应用Monk Object Detection Toolkit的TF 对象检测 API 1.0

（确保CUDA 10.0和CUDNN 7随零碎一起装置了NVidia驱动程序）

当模型要部署在Jetson Nano板上时，请依照以下阐明配置你的开发（训练）机器

装置必备的Python库

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git$ cd Monk_Object_Detection/12_tf_obj_1/installation$ chmod +x install_cuda10_tensorrt6_part1.sh && ./install_cuda10_tensorrt6_part1.sh

装置TensorRT 6.0.1

# Go to https://developer.nvidia.com/tensorrt# Download # - nv-tensorrt-repo-ubuntu1804-cuda10.0-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu18.04)# - nv-tensorrt-repo-ubuntu1604-cuda10.0-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu16.04)# Run the following commands to install trt (in a terminal)$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt6.0.1.5-ga-20190913_1-1_amd64.deb$ sudo apt-key add <key value will be mentioned as the output of previous command>$ sudo apt-get update$ sudo apt-get install tensorrt$ sudo apt-get install uff-converter-tf$ sudo apt-get install python3-libnvinfer-dev

装置Bazel 0.26.1并从GitHub克隆TensorFlow

# Install bazel version 0.26.1# Download bazel deb package from https://github.com/bazelbuild/bazel/releases/tag/0.26.1$ sudo dpkg -i bazel_0.26.1-linux-x86_64.deb# Clone Tensorflow and switch to tensorflow 1.15.2$ git clone https://github.com/tensorflow/tensorflow.git$ cd tensorflow$ git checkout v1.15.2

配置TensorFlow

# Configure tensorflow$ ./configure    - Do you wish to build TensorFlow with XLA JIT support? [Y/n]: Y    - Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: N    - Do you wish to build TensorFlow with ROCm support? [y/N]: N    - Do you wish to build TensorFlow with CUDA support? [y/N]: Y          - Do you wish to build TensorFlow with TensorRT support? [y/N]: Y    - And press enter (set default) for all other config questions asked by the setup

构建并装置TensorFlow（在AWS P3.2x实例上大概须要5个小时）

# Build tensorflow using bazel$ bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package# Once built create a wheel file for python installation and run pip installer$ bazel-bin/tensorflow/tools/pip_package/build_pip_package tensorflow_pkg$ cd tensorflow_pkg && pip install tensorflow*.whl

最初构建对象检测API 1.0

# Compile Object Detection API v1$ cd Monk_Object_Detection/12_tf_obj_1/installation$ chmod +x install_cuda10_tensorrt6_part2.sh && ./install_cuda10_tensorrt6_part2.sh

当不打算在Jetson Nano Board上部署模型时，请依照以下阐明配置你的开发（训练）机器

装置所有必须的库并编译对象检测API 1.0

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git$ cd Monk_Object_Detection/12_tf_obj_1/installation$ chmod +x install_cuda10.sh && ./install_cuda10.sh

装置TensorRT 5.1.5作为预构建的TensorFlow 1.15.0反对

# Go to https://developer.nvidia.com/tensorrt# Download # - nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.5.0-ga-20190427_1-1_amd64.deb (For Ubuntu18.04)# - nv-tensorrt-repo-ubuntu1604-cuda10.0-trt5.1.5.0-ga-20190427_1-1_amd64.deb(For Ubuntu16.04)# Run the following commands to install trt (in a terminal)$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.5.0-ga-20190427_1-1_amd64.deb$ sudo apt-key add <key value will be mentioned as the output of previous command>$ sudo apt-get update$ sudo apt-get install tensorrt$ sudo apt-get install uff-converter-tf$ sudo apt-get install python3-libnvinfer-dev

应用google colab时，请遵循以下阐明（TensorRT在colab上可能无奈失常运行）

# Switch to TF 1.0 version (Run the following line)$ %tensorflow_version 1.x# Now reset the runetime if prompted by colab# Run the following commands$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git$ cd Monk_Object_Detection/12_tf_obj_1/installation$ chmod +x install_colab.sh && ./install_colab.sh

过程B：建设数据集

Monk对象检测解析器要求数据集采纳COCO或Pascal VOC格局。对于本教程，让咱们保持应用Pascal VOC格局

要将数据集从任何格局转换为Pascal VOC，请查看以下具体教程

  • https://github.com/Tessellate...

在这个例子中，船检测数据集取自一个对于应用retinanet进行对象检测的旧博客

  • 船检测数据集：https://www.tejashwi.io/objec...
  • 博客：https://www.tejashwi.io/objec...

在这个jupyter notebook中提到了应用这些数据的步骤

  • https://github.com/Tessellate...

过程C：更新配置并启动训练过程

加载训练引擎

from train_detector import Detectorgtf = Detector();

在TF 1.15模型库中加载所有可用模型

目前，它反对24种不同型号的SSD和Faster RCNN

加载训练验证数据集

将正文转换为VOC格局后加载数据集

依据可用的GPU设置批次大小。在本教程中，应用了带v100gpu（16gbvram）的AWS ec2p3.2x计算机，批次大小为24非常适合。

train_img_dir = "ship/images/Train";train_anno_dir = "ship/voc/";class_list_file = "ship/classes.txt";gtf.set_train_dataset(train_img_dir, train_anno_dir, class_list_file, batch_size=24)

运行解析器将数据集转换为tfrecords

Tf Record文件将存储在data_tfrecord文件夹中

gtf.create_tfrecord(data_output_dir="data_tfrecord")

抉择并加载模型

下载模型后，Monk会依据所选参数自动更新配置文件

在本教程中，咱们应用了SSD MobileNet V1，它能够接管形态为320x320x3 RGB图像的输出图像

gtf.set_model_params(model_name="ssd_mobilenet_v1")

设置其余训练和优化器参数

set_hyper_params(num_train_steps=10000,lr=0.004,lr_decay_rate=0.945,output_dir="output_dir/",sample_1_of_n_eval_examples=1,sample_1_of_n_eval_on_train_examples=5,checkpoint_dir=False,run_once=False,max_eval_retries=0,num_workers=4,checkpoint_after_every=500)

设置存储导出参数的目录

gtf.export_params(output_directory="export_dir");

设置tensorRT优化参数

TensorRT优化器创立一个打算，而后构建它。构建打算是为了优化它正在构建的GPU的模型。

如前所述，在具备不同cuda计算能力的GPU上优化的模型无奈在jetson nano上运行，因而Monk库确保该打算在开发机（云或colab）上编译，而该打算则在运行时在部署机（jetson nano）上构建

应用INT8优化时，无奈执行此性能，打算的编制和构建都必须在同一台机器上，并且Jetson纳米板与8位整数运算不太兼容

gtf.TensorRT_Optimization_Params(conversion_type="FP16", trt_dir="trt_fp16_dir")

训练探测器

检测器训练运行一个执行sys.exit()函数的会话，因而在其上运行的包装程序将敞开python零碎。

为了解决此问题，提供了一个名为train.py的脚本，该脚本能够在jupyter notebook或终端命令上运行

依据参数设置，训练好的模型将保留在名为“ output_dir”的文件夹中。

# Run in a terminal$ python Monk_Object_Detection/12_tf_obj_1/lib/train.py# or run this command on a jupyter notebook%run Monk_Object_Detection/12_tf_obj_1/lib/train.py

过程D：导出经过训练的模型以进行推理

导出训练有素的检查点模型

export函数运行一个执行sys.exit()函数的会话，因而在其上运行的包装器将敞开python零碎。

为了解决此问题，提供了一个名为export.py的脚本，该脚本能够在jupyter notebook或终端命令上运行

依据参数设置，导出的模型将保留在名为“ export_dir”的文件夹中。

# Run in a terminal$ python Monk_Object_Detection/12_tf_obj_1/lib/export.py# or run this command on a jupyter notebook%run Monk_Object_Detection/12_tf_obj_1/lib/export.py

过程E：TensorRT推论的模型优化

优化导出模型

优化函数运行一个执行sys.exit()函数的会话，因而在其上运行的包装程序将敞开python零碎。

为了解决此问题，提供了一个名为optimize.py的脚本，该脚本能够在jupyter notebook电脑或终端命令上运行

依据参数设置，优化的模型将保留在名为“ trt_fp16_dir”的文件夹中。

# Run in a terminal$ python Monk_Object_Detection/12_tf_obj_1/lib/optimize.py# or run this command on a jupyter notebook%run Monk_Object_Detection/12_tf_obj_1/lib/optimize.py

过程F-1：在开发机器上运行推理

加载推理机

from infer_detector import Infergtf = Infer();

载入模型

首先加载导出的模型并运行步骤，而后通过加载优化的模型反复雷同的步骤（步骤放弃不变）

# To load exported modelgtf.set_model_params('export_dir/frozen_inference_graph.pb', "ship/classes.txt")# To load optimized modelgtf.set_model_params('trt_fp16_dir/trt_graph.pb', "ship/classes.txt")

对单个图像进行推断

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1);

应用两个模型运行速度测试剖析

gtf.benchmark_for_speed('ship/test/img1.jpg')

在AWS P3.2x V100 GPU上应用导出的模型（未优化）进行剖析

Average Image loading time : 0.0091 secAverage Inference time     : 0.0103 secResult extraction time     : 0.0801 sectotal_repetitions          : 100total_time                 : 1.0321 secimages_per_sec             : 96latency_mean               : 10.3218 mslatency_median             : 10.3234 mslatency_min                : 9.4773 ms

在AWS P3.2x V100 GPU上应用优化模型进行剖析

解决后优化使速度进步约2.5倍

Average Image loading time : 0.0092 secAverage Inference time     : 0.0042 secResult extraction time     : 0.0807 sectotal_repetitions          : 100total_time                 : 0.4241 secimages_per_sec             : 235latency_mean               : 4.2412 mslatency_median             : 4.2438 mslatency_min                : 4.0156 ms

过程F-3：在Jetson Nano板上装置步骤

步骤1：更新Apt

$ sudo apt-get update$ sudo apt-get upgrade

步骤2：装置零碎库

$ sudo apt-get install nano git cmake libatlas-base-dev gfortran libhdf5-serial-dev hdf5-tools nano locate libfreetype6-dev python3-setuptools protobuf-compiler libprotobuf-dev openssl libssl-dev libcurl4-openssl-dev cython3 libxml2-dev libxslt1-dev python3-pip$ sudo apt-get install libopenblas-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler libgflags-dev libgoogle-glog-dev liblmdb-dev$ sudo pip3 install virtualenv virtualenvwrapper

步骤3：更新bashrc文件

将这些行增加到〜/ .bashrc文件

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3export WORKON_HOME=$HOME/.virtualenvsexport VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenvsource /usr/local/bin/virtualenvwrapper.shexport PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64\${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

运行以下命令

$ source ~/.bashrc

步骤4：创立虚拟环境并装置所有必须的python库，装置numpy大概须要15分钟

$ mkvirtualenv -p /usr/bin/python3.6 tf2$ pip install numpy==1.19.1

装置scipy大概须要40分钟

$ pip install scipy==1.5.1

装置Jetson Nano TensorFlow-1.15。再花15分钟

$ pip install scikit-build protobuf cython -vvvv$ pip install grpcio absl-py py-cpuinfo psutil portpicker six mock requests gast h5py astor termcolor protobuf keras-applications keras-preprocessing wrapt google-pasta -vvvv$ pip install https://developer.download.nvidia.com/compute/redist/jp/v43/tensorflow-gpu/tensorflow_gpu-1.15.0+nv19.12-cp36-cp36m-linux_aarch64.whl -vvvv

装置OpenCV须要1.5个小时

$ mkdir opencv && cd opencv$ wget -O opencv.zip https://github.com/opencv/opencv/archive/4.1.2.zip$ unzip opencv.zip$ mv opencv-4.1.2 opencv$ cd opencv && mkdir build && cd build$ cmake -D CMAKE_BUILD_TYPE=RELEASE -D WITH_CUDA=OFF -D WITH_CUBLAS=OFF -D WITH_LIBV4L=ON -D BUILD_opencv_python3=ON -D BUILD_opencv_python2=OFF -D BUILD_opencv_java=OFF -D WITH_GSTREAMER=ON -D WITH_GTK=ON -D BUILD_TESTS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_EXAMPLES=OFF -D OPENCV_ENABLE_NONFREE=OFF ..$ make -j3$ sudo make install$ cd ~/.virtualenvs/tf2/lib/python3.6/site-packages$ ln -s /usr/local/lib/python3.6/site-packages/cv2/python-3.6/cv2.cpython-36m-aarch64-linux-gnu.so cv2.so

最初克隆Monk对象检测库并装置TF对象检测API

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git$ cd Monk_Object_Detection/12_tf_obj_1/installation/$ chmod +x install_nano.sh && ./install_nano.sh

过程F-4：对于Jetson Nano的推论

将优化的权重文件夹复制/下载到jetson nano工作目录（克隆Monk库）

从Monk_Object_Detection库复制示例图像

$ cp -r Monk_Object_Detection/example_notebooks/sample_dataset/ship .

加载推理引擎和模型（此步骤大概须要4到5分钟）

from infer_detector import Infergtf = Infer();gtf.set_model_params('trt_fp16_dir/trt_graph.pb', "ship/classes.txt")

当初，如前所述，TensorRT负责打算并在运行时构建（优化）打算，因而第一次运行大概须要3-4分钟

scores, bboxes, labels = gtf.infer_on_image('ship/test/img5.jpg', thresh=0.5, img_size=300);

突出显示的区域显示了Jetson Nano的TesnorRT建设（优化）打算（模型）（作者领有的图像）

再次运行它不会破费太多工夫。

Benchmark板基准剖析

gtf.benchmark_for_speed('ship/test/img1.jpg')
# With Jetson Nano power mode - 5W ModeAverage Image loading time : 0.0275 secAverage Inference time     : 0.0621 sectotal_repetitions          : 100total_time                 : 6.2172secimages_per_sec             : 16latency_mean               : 67.1722 mslatency_median             : 60.7875 mslatency_min                : 57.4391 ms
# With Jetson Nano power mode - MAXN ModeAverage Image loading time : 0.0173 secAverage Inference time     : 0.0426 sectotal_repetitions          : 100total_time                 : 4.2624 secimages_per_sec             : 23latency_mean               : 42.6243 mslatency_median             : 41.9758 mslatency_min                : 40.9001 ms

jupyter notebook提供TensorFlow对象检测API 1.0的残缺代码

从谷歌驱动器下载所有事后训练的权重

  • https://drive.google.com/file...

第2局部

从在自定义数据集上训练检测器到在Jetson纳米板或云上应用TensorFlow 2.3进行推理的具体步骤

TF对象检测API 2.0

过程A：在开发机器上装置

要装置的库

前提条件：numpy，scipy，pandas，pandas，pillow，OpenCV-python

带TensorRT 6.0.1的TensorFlow-GPU V2.3.0

应用Monk Object Detection Toolkit的TF Object Detection API 2.0

将进行TensorRT装置

后续局部（确保CUDA 10.0和CUDNN 7随零碎一起装置了NVidia驱动程序）

在开发（训练）机器中运行以下步骤

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git#For Cuda 10 systems$ cd Monk_Object_Detection/13_tf_obj_1/installation && chmod +x install_cuda10.sh && ./install_cuda10.sh#For Google colab$ cd Monk_Object_Detection/13_tf_obj_1/installation && chmod +x install_colab.sh && ./install_colab.sh

过程B：建设数据集

这与第1局部中的雷同。Monk对象检测解析器要求数据集采纳COCO或Pascal VOC格局。对于本教程，让咱们保持应用Pascal VOC格局

要将你的数据集从任何格局转换为Pascal VOC，请查看以下具体教程

  • https://github.com/Tessellate...

在此示例中，船检测数据集是从一篇对象检测的旧博客中获取的

  • https://www.tejashwi.io/objec...

此jupyter notebook中提到了应用数据的步骤

  • https://github.com/Tessellate...

过程C：更新配置并开始训练过程

加载训练引擎

from train_detector import Detectorgtf = Detector();

在TF 2.0 Model Zoo中加载所有可用的模型

目前，它反对26种SSD，Faster RCNN和EfficientDet不同的型号

行将增加对Centernet模型的反对，原始管道在训练中有谬误

加载训练和验证数据集

将正文转换为VOC格局后加载数据集

依据可用的GPU设置批处理大小。在本教程中，应用了具备V100 GPU（16 GB VRAM）的AWS EC2 P3.2x计算机，批次大小为24非常适合。

train_img_dir = "ship/images/Train";train_anno_dir = "ship/voc/";class_list_file = "ship/classes.txt";gtf.set_train_dataset(train_img_dir, train_anno_dir, class_list_file, batch_size=24)

运行解析器将数据集转换为tfrecords

Tf Record文件将存储在data_tfrecord文件夹中

gtf.create_tfrecord(data_output_dir="data_tfrecord")

抉择并加载模型

下载模型后，Monk会依据所选参数自动更新配置文件

在本教程中，咱们应用了SSD MobileNet V2，它能够接管形态为320x320x3 RGB图像的输出图像

  • SSD MobileNet V2：https://resources.wolframclou...
gtf.set_model_params(model_name="ssd_mobilenet_v2_320")

设置其余训练和优化器参数

set_hyper_params(num_train_steps=10000,lr=0.004,lr_decay_rate=0.945,output_dir="output_dir/",sample_1_of_n_eval_examples=1,sample_1_of_n_eval_on_train_examples=5,checkpoint_dir=False,run_once=False,max_eval_retries=0,num_workers=4,checkpoint_after_every=500)

设置目录，将存储导出的参数

gtf.export_params(output_directory="export_dir");

设置tensorRT优化参数

TensorRT优化器创立一个打算，而后构建它。构建打算是为了优化它正在构建的GPU的模型。

如前所述，在具备不同cuda计算能力的GPU上优化的模型无奈在jetson nano上运行，因而Monk库确保该打算在开发机（云或colab）上编译，而该打算则在运行时在部署机（jetson nano）上构建

应用INT8优化时，无奈执行此性能，打算的编制和构建都必须在同一台机器上，并且Jetson纳米板与8位整数运算不太兼容

gtf.TensorRT_Optimization_Params(conversion_type="FP16", trt_dir="trt_fp16_dir")

训练探测器

检测器训练运行一个执行sys.exit()函数的会话，因而在其上运行的包装程序将敞开python零碎。

为了解决此问题，提供了一个名为train.py的脚本，该脚本能够在jupyter notebook或终端命令上运行

依据参数设置，训练好的模型将保留在名为“ output_dir”的文件夹中。

# For terminal users$ python Monk_Object_Detection/13_tf_obj_2/lib/train.py# For jupyter notebook or colab users%run Monk_Object_Detection/13_tf_obj_2/lib/train.py

过程D：导出经过训练的模型以进行推理

导出训练有素的检查点模型

export函数运行一个执行sys.exit()函数的会话，因而在其上运行的包装器将敞开python零碎。

为了解决此问题，提供了一个名为export.py的脚本，该脚本能够在jupyter notebook或终端命令上运行

依据参数设置，导出的模型将保留在名为“ export_dir”的文件夹中。

# For terminal users$ python Monk_Object_Detection/13_tf_obj_2/lib/export.py# For jupyter notebook and colab users%run Monk_Object_Detection/13_tf_obj_2/lib/export.py

过程E：TensorRT推论的模型优化

装置TensorRT版本6.0.1

转到Nvidia TensorRT页面并下载基于OS和CUDA的TRT6软件包。

上面提到的是实用于Ubuntu OS和Cuda 10.1的步骤

# Optimizing For TensorRT - Feature Not tested on colab# This requires TensorRT 6.0.1 to be installed# Go to https://developer.nvidia.com/tensorrt# Download # - nv-tensorrt-repo-ubuntu1804-cuda10.1-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu18.04)# - nv-tensorrt-repo-ubuntu1604-cuda10.1-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu16.04)
# Run the following commands to install trt (in a terminal)$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.1-trt6.0.1.5-ga-20190913_1-1_amd64.deb$ sudo apt-key add /var/nv-tensorrt-repo-cuda10.1-trt6.0.1.5-ga-20190913/7fa2af80.pub$ sudo apt-get update$ sudo apt-get install tensorrt$ sudo apt-get install uff-converter-tf$ sudo apt-get install python3-libnvinfer-dev

优化导出模型

优化函数运行一个执行sys.exit()函数的会话，因而在其上运行的包装程序将敞开python零碎。

为了解决此问题，提供了一个名为optimize.py的脚本，该脚本能够在jupyter notebook电脑或终端命令上运行

依据参数设置，优化的模型将保留在名为“ trt_fp16_dir”的文件夹中。

# For terminal users$ python Monk_Object_Detection/13_tf_obj_2/lib/optimize.py# For jupyter notebook and colab users%run Monk_Object_Detection/13_tf_obj_2/lib/optimize.py

过程F-1：在开发机器上运行推理

加载推理机

from infer_detector import Infergtf = Infer();

载入模型

首先加载导出的模型并运行步骤；稍后通过加载优化的模型反复雷同的步骤（步骤放弃不变）

# To load exported modelgtf.set_model_params(exported_model_dir = 'export_dir')# To load optimized modelgtf.set_model_params(exported_model_dir = 'trt_fp16_dir')

对单个图像进行推断

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1);

样本推断后果

应用两个模型运行速度测试剖析

gtf.benchmark_for_speed('ship/test/img1.jpg')

在AWS P3.2x V100 GPU上应用导出的模型（未优化）进行剖析

Average Image loading time : 0.0110 secAverage Inference time     : 0.0097 secResult extraction time     : 0.0352 sectotal_repetitions          : 100total_time                 : 0.9794 secimages_per_sec             : 102latency_mean               : 9.7949 mslatency_median             : 9.7095 mslatency_min                : 9.1238 ms

在AWS P3.2x V100 GPU上应用优化模型进行剖析

约1.5倍的速度放慢解决前期优化

Average Image loading time : 0.0108 secAverage Inference time     : 0.0062 secResult extraction time     : 0.0350 sectotal_repetitions          : 100total_time                 : 0.6241 secimages_per_sec             : 160latency_mean               : 6.2422 mslatency_median             : 6.2302 mslatency_min                : 5.9401 ms

过程F-2：在Jetson Nano板上设置所有货色

步骤1：下载Jetpack 4.3 SD卡映像 https://developer.nvidia.com/...

步骤2：将此图片写入SD卡。你能够应用 https://www.balena.io/etcher/

步骤3：将你的SD卡插入Nano板并启动零碎，而后实现装置步骤

获取无关Nvidia的“ Jetson Nano入门”页面的更多详细信息

  • https://developer.nvidia.com/...

过程F-3：在Jetson Nano板上装置步骤

步骤1：更新Apt

$ sudo apt-get update$ sudo apt-get upgrade

步骤2：装置零碎库

$ sudo apt-get install nano git cmake libatlas-base-dev gfortran libhdf5-serial-dev hdf5-tools nano locate libfreetype6-dev python3-setuptools protobuf-compiler libprotobuf-dev openssl libssl-dev libcurl4-openssl-dev cython3 libxml2-dev libxslt1-dev python3-pip$ sudo apt-get install libopenblas-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler libgflags-dev libgoogle-glog-dev liblmdb-dev$ sudo pip3 install virtualenv virtualenvwrapper

步骤3：更新bashrc文件

将这些行增加到〜/ .bashrc文件

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3export WORKON_HOME=$HOME/.virtualenvsexport VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenvsource /usr/local/bin/virtualenvwrapper.shexport PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64\${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

运行以下命令

$ source ~/.bashrc

步骤4：创立虚拟环境并装置所有必须的python库

装置numpy大概须要15分钟

$ mkvirtualenv -p /usr/bin/python3.6 tf2$ pip install numpy==1.19.1

装置scipy大概须要40分钟

$ pip install scipy==1.5.1

装置Jetson Nano TensorFlow-2.0.0需再破费15分钟

$ pip install scikit-build protobuf cython -vvvv$ pip install grpcio absl-py py-cpuinfo psutil portpicker six mock requests gast h5py astor termcolor protobuf keras-applications keras-preprocessing wrapt google-pasta -vvvv$ pip install https://developer.download.nvidia.com/compute/redist/jp/v43/tensorflow-gpu/tensorflow_gpu-2.0.0+nv19.12-cp36-cp36m-linux_aarch64.whl -vvvv

装置OpenCV须要1.5个小时

$ mkdir opencv && cd opencv$ wget -O opencv.zip https://github.com/opencv/opencv/archive/4.1.2.zip$ unzip opencv.zip$ mv opencv-4.1.2 opencv$ cd opencv && mkdir build && cd build$ cmake -D CMAKE_BUILD_TYPE=RELEASE -D WITH_CUDA=OFF -D WITH_CUBLAS=OFF -D WITH_LIBV4L=ON -D BUILD_opencv_python3=ON -D BUILD_opencv_python2=OFF -D BUILD_opencv_java=OFF -D WITH_GSTREAMER=ON -D WITH_GTK=ON -D BUILD_TESTS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_EXAMPLES=OFF -D OPENCV_ENABLE_NONFREE=OFF ..$ make -j3$ sudo make install$ cd ~/.virtualenvs/tf2/lib/python3.6/site-packages$ ln -s /usr/local/lib/python3.6/site-packages/cv2/python-3.6/cv2.cpython-36m-aarch64-linux-gnu.so cv2.so

最初克隆Monk Object Detection库

留神：不要像在开发机器中那样运行13_tf_obj_2的装置。用tf2.0装置tf对象检测有一些问题。推理代码不须要对象检测API工具。

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git

过程F-4：对于Jetson Nano的推论

将优化的权重文件夹复制/下载到jetson nano工作目录（Monk库为克隆目录）

从Monk_Object_Detection库复制示例图像

$ cp -r Monk_Object_Detection/example_notebooks/sample_dataset/ship .

加载推理引擎和模型（此步骤大概须要4到5分钟）

from infer_detector_nano import Infergtf = Infer();gtf.set_model_params(exported_model_dir = 'trt_fp16_dir')

当初，如前所述，TensorRT采纳打算并在运行时构建（优化）它，因而第一次运行大概须要3-4分钟

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1);# Oputput will be saved as output.jpggtf.draw_on_image(self, bbox_thickness=3, text_size=1, text_thickness=2)

突出显示的区域显示了Jetson Nano的TesnorRT建设（优化）打算（模型）（作者领有的图像）

再次运行它不会破费太多工夫。

Benchmark板基准剖析

gtf.benchmark_for_speed('ship/test/img1.jpg')
# With Jetson Nano power mode - 5W ModeAverage Image loading time : 0.0486 secAverage Inference time     : 0.1182 sectotal_repetitions          : 100total_time                 : 11.8244 secimages_per_sec             : 8latency_mean               : 118.2443 mslatency_median             : 117.8019 mslatency_min                : 111.0002 ms
# With Jetson Nano power mode - MAXN ModeAverage Image loading time : 0.0319 secAverage Inference time     : 0.0785 sectotal_repetitions          : 100total_time                 : 7.853 secimages_per_sec             : 12latency_mean               : 78.5399 mslatency_median             : 78.1973 mslatency_min                : 76.2658 ms

jupyter notebook提供TensorFlow对象检测API 2.0的残缺代码

  • https://github.com/Tessellate...

从谷歌驱动器下载所有事后训练的权重

  • https://drive.google.com/file...

TensorFlow对象检测API V 2.0的所有工作到此结束

感激浏览！祝你编码欢快！！

原文链接：https://www.analyticsvidhya.c...

欢送关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/