網上有一個10行代碼搞定目標檢測的視頻教程

參考網址：https://www.bilibili.com/video/av91150116/

經測非常實用，通過10行代碼實現目標檢測，在Jetson Nano上迅速搭建一個目標識別的示例和開發環境。

視頻例程使用Jetson官方的深度學習庫（jetson_inference）進行目標檢測程序實現

項目鏈接：https://github.com/dusty-nv/jetson-inference

項目介紹頁面中Building the Project from Source給出了從源代碼進行安裝和配置的指南

指南鏈接：https://github.com/dusty-nv/jetson-inference/blob/master/docs/building-repo-2.md

概要步驟如下

建議在進行安裝之前先進行系統環境配置，如apt、pip的源設置，中文輸入等。

一、jetson-inference下載和安裝

步驟如下

1.?預安裝軟件

首先安裝需要用到的軟件包

$ sudo apt instal git cmake libpython3-dev python3-numpy

假定apt update在系統配置時已經運行過了，這里不再重復。

2. 下載代碼庫

然后下載軟件源代碼庫

$ git clone --recursive https://github.com/dusty-nv/jetson-inference

這一步比較費事，這是一個遞歸的源代碼庫，包含多個子代碼庫，因為國內外網絡環境的問題，從Github下載會出現連接不穩定，不能下載全的情況。這種情況建議多嘗試幾次，或者從其它地方進行下載。

3. 編譯安裝

之后進入代碼目錄進行編譯安裝

$ cd jetson-inference

創建一個cmake編譯目錄

$ mkdir build
$ cd build

進行cmake

$ cmake ..

在cmake過程中會彈出對話框讓選擇下載模型和安裝pytorch，因為國內連接國外不穩定，建議選擇不安裝（通過TAB鍵選擇Quit和Skip，按回車），后面進行離線下載和安裝。

cmake完成之后，進行編譯和安裝

$ make -j4
$ sudo make install

這樣jetson-inference庫就安裝完成了。編譯之后會在build目錄下生成jetson-inference庫相關文件，包括頭文件、庫文件、幫助文件、腳本工具、示例程序等。make install會把相關的文件復制到對應的系統目錄。

其中download-model.sh和install-pytorch.sh文件分別是下載模型和安裝pytorch的腳本文件，可以查看參考文件，進行離線下載和安裝。

其中會生成一個aarch64目錄，里面包含jetson-inference庫的相關文件，目錄結構如下

其中lib目錄包含庫文件，include目錄包含頭文件，bin目錄包含一些圖像分類、目標識別等相關的命令和工具。

4. 測試

安裝完成之后，build/aarch64/bin目錄包含了一些圖像分類、目標識別等方面的執行文件，如下?

可以用這些程序進行目標識別的測試。在bin目錄下運行

$ ./imagenet.py --network=resnet-18 images/jellyfish.jpg images/test/output_jellyfish.jpg

就可以對imags/jellyfish.jpg圖片進行分類識別。識別結果輸出在images/test/output_jellyfish.jpg文件。

因為安裝時沒有選擇在線下載模型，這個程序運行不能成功。可以自己下載模型和建立python文件來進行基于jetson-inference庫的例程開發。

5. 模型下載

Github提供了離線下載模型的方法，通過

模型下載鏈接：https://github.com/dusty-nv/jetson-inference/releases

可以根據需要下載對應的模型，下載到data/networks目錄，然后解壓，比如

$ tar -zxvf SSD-Mobilenet-v2.tar.gz

常見的有GoogleNet，ResNet，SSD-Mobilenet等，如下

下載和解壓到data/networks目錄之后，就可以在程序中使用jetson-inference庫調用這些模型了。

二、例程編寫和測試

這里用一個10行代碼的例程來實現目標識別。參考視頻，代碼如下

import jetson.inference import jetson.utilsnet = jetson.inference.detectNet('SSD-Mobilenet-v2', threshold=0.5) camera = jetson.utils.gstCamera(1280,720,'0') display = jetson.utils.glDisplay()while display.IsOpen():img, width, height = camera.CaptureRGBA()detections = net.Detect(img, width, height)display.RenderOnce(img, width, height)display.SetTitle('Object Detection | Network %.1f FPS'%net.GetNetworkFPS())

采用SSD-Mobilenet-v2網絡對攝像頭視頻進行在線目標識別。假定命名程序文件detect_net.py，然后運行

$ python3 detect_net.py

程序結果就會出現攝像頭的畫面和在線識別的結果，如下?

實際測試響應效果良好，能夠達到20多fps的幀率，沒有滯后感。

總結

以上是生活随笔為你收集整理的在Jetson Nano上十行代码实现目标检测（jetson_inference）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。