10分鐘內(nèi)基于gpu的目標檢測

Object Detection on GPUs in 10 Minutes

目標檢測仍然是自動駕駛和智能視頻分析等應用的主要驅(qū)動力。目標檢測應用程序需要使用大量數(shù)據(jù)集進行大量訓練，以實現(xiàn)高精度。NVIDIA gpu在訓練大型網(wǎng)絡以生成用于對象檢測推斷的數(shù)據(jù)集所需的并行計算性能方面表現(xiàn)優(yōu)異。本文介紹了使用NVIDIA gpu快速高效地運行高性能目標檢測管道所需的技術(shù)。

我們的python應用程序從實時視頻流中獲取幀，并在gpu上執(zhí)行對象檢測。我們使用帶有Inception V2的預先訓練的單點檢測（SSD）模型，應用TensorRT的優(yōu)化，為GPU生成一個運行時，然后對視頻feed執(zhí)行推斷以獲得標簽和邊界框。然后，應用程序使用這些邊界框和類標簽注釋原始框架。生成的視頻源上覆蓋了來自我們的對象檢測網(wǎng)絡的邊界框預測。同樣的方法可以擴展到其他任務，如分類和分割。

雖然不需要了解GPUs和NVIDIA軟件，但您應該熟悉對象檢測和python編程。使用的一些軟件工具包括NVIDIA GPU Cloud（NGC）的Docker容器來設置我們的環(huán)境，OpenCV來運行來自攝像機的feed，以及TensorRT來加速我們的推斷。雖然您將受益于簡單閱讀這篇文章，您需要一個CUDA功能的GPU和一個網(wǎng)絡攝像頭連接到您的機器來運行這個例子。您可以使用命令nvidia smi測試工作的GPU。你可能會發(fā)現(xiàn)這個CUDA gpu列表很有用。

在本文結(jié)束時，您將了解設置端到端對象檢測推斷管道所需的組件，如何在gpu上應用不同的優(yōu)化，以及如何在管道上執(zhí)行FP16和INT8精度的推斷。在本例中，我們使用以InceptionV2為骨干的單點檢測網(wǎng)絡。作為參考，所有代碼（以及如何安裝所有內(nèi)容的詳細自述文件）都可以在NVIDIA GitHub repo上找到。

Run the Sample!

我們使用docker容器來設置環(huán)境并將其打包以供分發(fā)。我們可以回憶許多使用容器的情況，在這些情況下，很容易從沖突和崩潰中恢復，因此在嘗試此示例之前，請確保您的計算機上有Docker和NVIDIA Docker。

導航到“主要對象檢測”網(wǎng)絡攝像頭文件夾并運行以下部分以生成容器并運行應用程序：

./setup_environment.sh

python SSD_Model/detect_objects_webcam.py

這將彈出一個窗口，顯示來自您的網(wǎng)絡攝像頭的視頻源，并覆蓋邊框和標簽，如圖1所示。

Figure 1. The output on the command prompt displays the time taken for inference and the Top-1 prediction of target classes

Setup with NGC and TensorRT open source software

讓我們檢查一下安裝程序，安裝程序中提供了安裝程序的所有setup_environment.sh。有4個關鍵步驟：

設置Docker查看網(wǎng)絡攝像頭的環(huán)境變量

下載用于INT8校準的VOC數(shù)據(jù)集（我們稍后將在博客中看到）

構(gòu)建包含運行代碼所需的所有庫的Dockerfile

啟動Dockerfile以便在正確的環(huán)境中啟動應用程序

因為我們使用Docker容器來管理我們的環(huán)境，所以我們需要讓容器訪問主機中的所有硬件。大部分是由Docker自動處理的，除了我們手動添加的攝像頭。我們需要設置Docker訪問X11的權(quán)限，X11用于打開網(wǎng)絡攝像頭源的圖形用戶界面。使用環(huán)境變量并通過設置docker run命令期間傳遞到容器中的權(quán)限來執(zhí)行此操作。

xhost +local:dockerXSOCK=/tmp/.X11 unixXAUTH=/tmp/.docker.xauthxauth nlist $DISPLAY | sed -e ‘s/^…/ffff/’ |xauth -f $XAUTH nmerge -

接下來，我們下載用于INT8校準的PASCAL VOC數(shù)據(jù)集，我們將在后面的章節(jié)中介紹。這個數(shù)據(jù)集包含普通家庭用品和日常用品的圖像。

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tartar -xf VOCtest_06-Nov-2007.tar

然后我們建立一個包含我們整個開發(fā)環(huán)境的Dockerfile。Dockerfile安裝以下組件：
TensorRT和必需的庫

TensorRT開源軟件，在TensorRT安裝中替換插件和解析器

我們應用程序的其他依賴項

NVIDIA NGC的TensorRT容器使安裝TensorRT變得非常簡單。容器包含必需的庫，如CUDA、cuDNN和NCCL。NGC是一個預構(gòu)建容器的存儲庫，每個月更新一次，并跨平臺和云服務提供商進行測試。查看發(fā)行說明中TensorRT容器中的內(nèi)容。由于除了TensorRT之外，我們還需要組合其他多個庫和包，因此我們將創(chuàng)建一個自定義Dockerfile，并將TensorRT容器作為基本映像。

我們在示例中使用了TensorRT插件和解析器的最新版本，因為它們是開源的。插件提供了一種在TensorRT中的模型中使用自定義層的方法，并且已經(jīng)包含在TensorRT容器中。例如，SSD模型使用插件庫中的flattencat插件。嚴格地說，在本例中，我們不需要使用插件的開源版本；使用TensorRT容器中提供的版本也可以工作。這很容易知道，使您能夠擴展和自定義這些組件，以支持您的模型中的自定義層。

為了獲得開源插件，我們克隆了TensorRT github repo，使用cmake構(gòu)建組件，并用新版本替換TensorRT容器中這些組件的現(xiàn)有版本。TensorRT應用程序?qū)⒃诖寺窂较滤阉鱐ensorRT核心庫、解析器和插件。

最后，我們可以安裝應用程序所需的其他依賴項，這些依賴項主要是OpenCV及其呈現(xiàn)庫。OpenCV是一個計算機視覺庫，我們使用它與我們的網(wǎng)絡攝像頭進行交互。

使用docker build命令生成Dockerfile中的所有組件：

docker build -t object_detection_webcam . # don’t forget the period at the end

一旦容器啟動，就可以使用detect_objects_webcam.py對象運行應用網(wǎng)絡攝像頭。

Optimize Model, Build Engine for Inference

探測目標的detect_objects_webcam.py應用程序如下，如圖2所示：
**# Download the frozen object detection model from TensorFlow Model Zoo# Convert the frozen model (.pb file) to Universal Framework Format (UFF) # Build the TensorRT engine from the UFF version of the model # While True:

# Read in a frame from the webcam # Run inference on that frame using our TensorRT engine # Overlay the bounding boxes and class labels # Display that frame back to the user**

Figure 2. This post covers all the steps in this workflow, from building the TensorRT engine to plugging it into a simple application.

第一步是從TensorFlow
model zoo下載凍結(jié)的SSD對象檢測模型。

This is done in prepare_ssd_model in model.py:

221 def prepare_ssd_model(model_name=“ssd_inception_v2_coco_2017_11_17”, silent=False):222 “”"Downloads pretrained object detection model and converts it to UFF.223224
The model is downloaded from Tensorflow object detection model zoo.225
Currently only ssd_inception_v2_coco_2017_11_17 model is supported226
due to model_to_uff() using logic specific to that network when converting.227228
Args:229
model_name (str): chosen object detection model230
silent (bool): if True, writes progress messages to stdout231 “”"232
if model_name != “ssd_inception_v2_coco_2017_11_17”:233
raise NotImplementedError(234
“Model {} is not supported yet”.format(model_name))235
download_model(model_name, silent)236
ssd_pb_path = PATHS.get_model_pb_path(model_name)237
ssd_uff_path = PATHS.get_model_uff_path(model_name)238 model_to_uff(ssd_pb_path, ssd_uff_path, silent)

下一步是優(yōu)化這個模型進行推理，并生成在GPU上執(zhí)行的運行時。我們使用TensorRT，一個深度學習優(yōu)化器和運行時引擎。TensorRT從這個應用程序為每個NVIDIA GPU生成運行時。您需要應用程序提供盡可能低的延遲來實時執(zhí)行推斷。讓我們看看如何使用TensorRT。
使用中提供的實用程序?qū)鼋Y(jié)的TensorFlow圖轉(zhuǎn)換為通用框架格式（UFF）model.py。現(xiàn)在，您可以使用解析器將UFF模型導入TensorRT，應用優(yōu)化并生成運行時引擎。優(yōu)化是在構(gòu)建過程中在幕后應用的，您不需要做任何事情來應用它們。例如，TensorRT可以將卷積、ReLU和偏壓等多個層融合到單個層中。這叫做層融合。另一種優(yōu)化方法是張量融合或?qū)泳酆?#xff0c;在這種方法中，共享相同輸入的層融合到一個內(nèi)核中，然后將它們的結(jié)果分離。
要構(gòu)建運行時引擎，需要指定4個參數(shù)：

模型的UFF文件路徑

推理機精度（FP32、FP16或INT8）

校準數(shù)據(jù)集（僅在運行INT8時需要）

推斷期間使用的批大小

見engine制造規(guī)范engine.py. 生成引擎的函數(shù)稱build_engine。

較低精度的推理（FP16和INT8）增加了吞吐量并提供較低的延遲。使用FP16精度在張量核上提供比FP32快幾倍的性能，有效地不降低模型精度。INT8中的推理可以在模型精度下降不到1%的情況下進一步提高性能。TensorRT從FP32和您允許的任何精度中選擇內(nèi)核。啟用FP16精度時，TensorRT從FP16和FP32精度中選擇內(nèi)核。要使用FP16和INT8精度，請啟用兩者以獲得盡可能高的性能。

利用定標法確定圖中張量的動態(tài)范圍，可以有效地利用INT8精度的限制范圍。稍后再談。

最后一個參數(shù)batch size用于為推理工作負載選擇最佳內(nèi)核。您可以將引擎用于比創(chuàng)建期間指定的更小的批處理大小。不過，表現(xiàn)可能并不理想。我通常為我期望的最常見的批處理大小生成一些引擎，并在它們之間切換。在本例中，我們將一次從攝像頭中抓取一幀，使批量大小為1。

還需要注意的是，TensorRT會自動檢測GPU上的任何專用硬件。因此，如果你的GPU有張量核，它會自動檢測并在這些張量核上運行FP16內(nèi)核。

讓我們看看engine.py看看這些參數(shù)是如何工作的。

69 def build_engine(uff_model_path, trt_logger, trt_engine_datatype=trt.DataType.FLOAT, calib_dataset=None, batch_size=1, silent=False):70 with trt.Builder(trt_logger) as builder, builder.create_network() as network, trt.UffParser() as parser:71 builder.max_workspace_size = 2 << 3072
builder.max_batch_size = batch_size73
if trt_engine_datatype == trt.DataType.HALF:74 builder.fp16_mode = True75
elif trt_engine_datatype == trt.DataType.INT8:76
builder.fp16_mode = True77
builder.int8_mode = True78
builder.int8_calibrator = calibrator.SSDEntropyCalibrator(data_dir=calib_dataset, cache_file=‘INT8CacheFile’)7980 parser.register_input(ModelData.INPUT_NAME, ModelData.INPUT_SHAPE)81
parser.register_output(“MarkOutput_0”)82
parser.parse(uff_model_path, network)8384
if not silent:85
print(“Building TensorRT engine. This may take few minutes.”)8687
return builder.build_cuda_engine(network)

build_engine函數(shù)為生成器、解析器和網(wǎng)絡創(chuàng)建一個對象。解析器以UFF格式導入SSD模型，并將轉(zhuǎn)換后的圖形放在network對象中。當我們使用UFF解析器導入轉(zhuǎn)換后的TensorFlow模型時，TensorRT還包括用于Caffe和ONNX的解析器。兩者都可以在TensorRT開源repo中找到。使用此模型的ONNX格式只意味著調(diào)用ONNXParser；其余代碼將是相同的。
第71行指定TensorRT應用于應用優(yōu)化的內(nèi)存。這只是臨時空間，您應該提供系統(tǒng)允許的最大大小；我提供2 GB。條件代碼根據(jù)推理的精度設置參數(shù)。對于第一次運行，我們使用默認的FP32精度。

接下來的幾行指定解析器的輸入節(jié)點和輸出節(jié)點的名稱和形狀。這個parser.parse分析實際使用上面指定的參數(shù)在UFF文件上執(zhí)行解析器。最后，builder.build_cuda_engine對網(wǎng)絡應用優(yōu)化，并生成引擎對象。

劇本engine.py有兩個附加的關鍵功能：保存引擎和加載引擎save_engine and load_engine。生成引擎后，可以將其保存到磁盤以備將來使用，這是一個稱為序列化的過程。序列化生成一個計劃文件，隨后可以從磁盤加載該文件，通常比從頭重新構(gòu)建引擎快得多。這就是這些加載和保存函數(shù)的作用。如果您確實更改了用于構(gòu)建引擎、使用的模型或GPU的參數(shù)，則需要重新生成引擎，因為TensorRT將選擇不同的內(nèi)核來構(gòu)建引擎。

您可以從NGC模型下載預訓練模型、參數(shù)和精度的多個組合的計劃文件。如果我使用的是標準模型，我通常首先檢查NGC上是否有可直接在我的應用程序中使用的計劃文件。

Run Inference With TensorRT Engine

我們現(xiàn)在可以使用TensorRT引擎執(zhí)行目標檢測。我們的示例一次從網(wǎng)絡攝像機獲取一幀，并將其傳遞給TensorRT引擎推理inference.py -更具體地說，在功能推斷網(wǎng)絡攝像頭infer_webcam。

166 def infer_webcam(self, arr):167
“”"Infers model on given image.168169
Args:170
arr (numpy array): image to run object detection model on171 “”"172173 # Load image into CPU and do any pre-processing174
img = self._load_img_webcam(arr)175176 # Copy it into appropriate place into memory177 # (self.inputs was returned earlier by allocate_buffers())178
np.copyto(self.inputs[0].host, img.ravel())179 180 # When inferring on single image, we measure inference181 # time to output it to the user182
inference_start_time = time.time()183184 # Fetch output from the model185
[detection_out, keepCount_out] = do_inference(186 self.context, bindings=self.bindings, inputs=self.inputs,187 outputs=self.outputs, stream=self.stream)188189 # Output inference time190
print(“TensorRT inference time: {} ms”.format(191
int(round((time.time() - inference_start_time) * 1000))))192193 # And
return results194
return detection_out, keepCount_out

此函數(shù)首先從網(wǎng)絡攝像機加載圖像（第174行），然后在函數(shù)load_img_webcam網(wǎng)絡攝像機中執(zhí)行幾個預處理步驟。我們的示例將軸的順序從HWC移動到CHW，對圖像進行規(guī)格化，使所有值都在-1和+1之間，然后展平數(shù)組。您還可以在此函數(shù)中添加管道所需的任何其他預處理操作。

計時器從第182行開始測量TensorRT引擎執(zhí)行推理所需的時間。這有助于理解整個推理管道的延遲。

我們調(diào)用do_inference來執(zhí)行推理。此函數(shù)將數(shù)據(jù)發(fā)送到TensorRT引擎進行推理，并返回兩個參數(shù)：detection_out和keepCount_out。detection_out函數(shù)包含每次檢測的邊界框坐標、置信度和類標簽的所有信息。keepCount_out例程跟蹤網(wǎng)絡發(fā)現(xiàn)的檢測總數(shù)。

Putting It All Together

到目前為止，我們已經(jīng)研究了如何從TensorFlow model zoo導入一個預先訓練的模型，將其轉(zhuǎn)換為UFF格式，應用優(yōu)化并生成TensorRT引擎，并使用該引擎對來自網(wǎng)絡攝像機的單個圖像執(zhí)行推斷。

讓我們看看所有這些組件在檢測對象時是如何組合在一起detect_objects_webcam.py:

166 def infer_webcam(self, arr):167 “”"Infers model on given image.168169
Args:170
arr (numpy array): image to run object detection model on171 “”"172173 # Load image into CPU and do any pre-processing174
img = self._load_img_webcam(arr)175176 # Copy it into
appropriate place into memory177 # (self.inputs was returned
earlier by allocate_buffers())178
np.copyto(self.inputs[0].host, img.ravel())179 180 # When inferring on single image, we measure inference181 # time to output it to the user182
inference_start_time = time.time()183184 # Fetch output from the model185
[detection_out, keepCount_out] = do_inference(186
self.context, bindings=self.bindings, inputs=self.inputs,187
outputs=self.outputs, stream=self.stream)188189 # Output inference time190
print(“TensorRT inference time: {} ms”.format(191
int(round((time.time() - inference_start_time) * 1000))))192193 # And
return results194
return detection_out, keepCount_out

解析命令行參數(shù)后，prepare_ssd_model使用model.py將凍結(jié)的TensorFlow圖轉(zhuǎn)換為UFF格式。然后在第153行初始化一個TensorRT推理對象，該對象在engine.py如上所述，實際構(gòu)建TensorRT引擎。如果沒有引擎文件保存在args.trt_引擎路徑然后我們需要從頭開始。UFF版本的模型也是如此。我們將在默認的FP32精度下運行，這樣就不需要提供校準數(shù)據(jù)集。最后，由于我們只在一個網(wǎng)絡攝像頭feed上運行實時推斷，因此我們將保持批大小為1。
現(xiàn)在讓我們將其集成到操作網(wǎng)絡攝像頭的應用程序中。如果打開相機標志（默認），應用程序?qū)⑹褂肙penCV（第164行）啟動視頻流，并在第167行中輸入主循環(huán)。如第169行所示，該循環(huán)不斷從網(wǎng)絡攝像機中拉入新幀，然后如第172行所示對該幀執(zhí)行推斷。
最后，我們將邊界框結(jié)果覆蓋到原始幀（第176-180行）上，并使用imshow將其顯示給用戶。

這就是我們的整個管道！

Inference in INT8 Precision With TensorRT

與框架內(nèi)推理相比，應用程序在gpu上使用TensorRT執(zhí)行推理的速度快了幾倍。但是，你可以使它快幾倍。到目前為止，我們使用單精度（FP32）進行推理，其中每個數(shù)字都使用32位表示。在FP32中，激活值可以在±3.4×1038的范圍內(nèi)，并且需要32位來存儲每個數(shù)字。數(shù)量越大，執(zhí)行時需要的存儲空間就越大，這也會導致性能降低。當切換到使用精度較低的FP16時，大多數(shù)型號的精度幾乎相同。使用NVIDIA提供的模型和技術(shù)，可以使用INT8 precision進行推理，從而獲得盡可能高的性能。但是，請注意表1中可以用INT8精度表示的明顯較低的動態(tài)范圍。

Table 1. The dynamic range of values that can be represented at in FP32, FP16, and INT8 precision

使用INT8精度獲得類似于FP32推斷的精度意味著執(zhí)行稱為校準的附加步驟。在校準期間，您可以對與最終數(shù)據(jù)集類似的訓練數(shù)據(jù)運行推斷，并收集激活值的范圍。然后，TensorRT計算一個比例因子，將INT8值的范圍分布在每個節(jié)點的激活值范圍內(nèi)。圖3顯示，如果一個節(jié)點的激活范圍在-6和+6之間，那么您希望可以用INT8表示的256個值只覆蓋這個范圍。

Figure 3. Calibration and quantization are critical steps for converting to INT8 precision.

使用下面的命令重新構(gòu)建TensorRT引擎，以便在應用程序中使用INT8來提高精度，執(zhí)行校準并運行推斷。整個過程可能需要幾分鐘：

python detect_objects_webcam -p 8

您應該會看到與先前使用FP32精度獲得的結(jié)果相比，性能更高的相同結(jié)果。
讓我們看看如何在內(nèi)置引擎中執(zhí)行此操作engine.py. 條件塊基于為推理啟用的精度啟用不同的生成器模式。默認情況下，TensorRT始終選擇FP32內(nèi)核。啟用FP16模式意味著它還會嘗試以FP16精度運行的內(nèi)核；INT8也是如此。

然而，僅僅因為允許較低精度的內(nèi)核并不意味著它們在性能上總是優(yōu)于較高精度的內(nèi)核。例如，即使我們將precision模式設置為INT8，一些FP16或FP32內(nèi)核可能仍然存在，最終會運行得更快。TensorRT自動選擇最佳優(yōu)化。

TensorRT檢測專用硬件（如Tensor內(nèi)核）的存在，并將在其上使用FP16內(nèi)核以獲得盡可能高的性能。TensorRT自動選擇最佳內(nèi)核的能力稱為內(nèi)核自動調(diào)整。這使得在提供高性能的同時跨多種應用程序使用TensorRT成為可能。

69 def build_engine(uff_model_path, trt_logger, trt_engine_datatype=trt.DataType.FLOAT, calib_dataset=None, batch_size=1, silent=False):70
with trt.Builder(trt_logger) as builder, builder.create_network() as network, trt.UffParser() as parser:71
builder.max_workspace_size = 2 << 3072
builder.max_batch_size = batch_size73
if trt_engine_datatype == trt.DataType.HALF:74
builder.fp16_mode = True75
elif trt_engine_datatype == trt.DataType.INT8:76
builder.fp16_mode = True77
builder.int8_mode = True78
builder.int8_calibrator = calibrator.SSDEntropyCalibrator(data_dir=calib_dataset, cache_file=‘INT8CacheFile’)注意，INT8條件塊使用函數(shù)SSDEntropyCalibrator。這個類在批量校準期間通過模型運行校準數(shù)據(jù)。因此，只需實現(xiàn)名為get_batch in的函數(shù)calibrator.py從校準數(shù)據(jù)集中獲取下一批數(shù)據(jù)。請參閱中的SSDEntropyCalibrator代碼calibrator.py下面。

14 class SSDEntropyCalibrator(trt.IInt8EntropyCalibrator2):15
def init(self, data_dir, cache_file):16 # Whenever you specify a custom constructor for a TensorRT class,17 # you MUST call the constructor of the parent explicitly.18 t
rt.IInt8EntropyCalibrator2.init(self)1920
self.num_calib_imgs = 100 # the number of images from the dataset to use for calibration21
self.batch_size = 1022
self.batch_shape = (self.batch_size, IMG_CH, IMG_H, IMG_W)23
self.cache_file = cache_file2425
calib_imgs = [os.path.join(data_dir, f) for f in os.listdir(data_dir)]26
self.calib_imgs = np.random.choice(calib_imgs, self.num_calib_imgs)27
self.counter = 0 # for keeping track of how many files we have read2829
self.device_input = cuda.mem_alloc(trt.volume(self.batch_shape) * trt.float32.itemsize)

此函數(shù)將圖像目錄作為要校準的輸入，并將其作為存儲緩存文件的位置。此緩存文件包含網(wǎng)絡激活所需的所有縮放因子。如果保存激活值，則只需對特定配置運行一次校準，并且只需為任何后續(xù)運行加載此緩存表。

這就是用TensorRT進行INT8校準所需要做的一切！

Next Steps

現(xiàn)在您已經(jīng)基本了解了如何在GPU上快速設置和運行對象檢測應用程序。我們已經(jīng)覆蓋了很多領域，包括設置、INT8 precision部署、使用TensorRT中最新的開源插件和解析器、連接到網(wǎng)絡攝像頭以及疊加結(jié)果。如果您在使用此應用程序時遇到問題，請確保檢查此示例的GitHub repo中的問題以了解類似的問題和解決方案。
如果你想繼續(xù)使用gpu進行目標檢測和其他與AI相關的任務，請查看開發(fā)者博客中有關為gpu創(chuàng)建目標檢測管道以及如何使用TensorRT加速推理的相關文章。我們還提供了一個關于如何為公共應用程序執(zhí)行推理的網(wǎng)絡研討會，它使用了本文中介紹的相同的代碼庫。您還可以在TensorRT開源repo和TensorRT示例頁面上找到TensorRT的其他資源，其中包括剛剛介紹的SSD示例。NVIDIA TensorRT開發(fā)者論壇提供了一個TensorRT用戶社區(qū)，他們就最佳實踐交換信息。
最后，如果你想加入免費的NVIDIA開發(fā)計劃，以獲得額外的技術(shù)資源和文件錯誤報告的能力，在我們的開發(fā)程序頁注冊。您將加入NVIDIA開發(fā)人員的龐大和不斷增長的社區(qū)，為gpu創(chuàng)建新的和新穎的應用程序。

References

[Liu et al. 2016] Liu, Wei, et al. “SSD: Single shot multibox detector.” European Conference on Computer Vision.
Springer, Cham, 2016.

[Szegedy et al. 2016] Szegedy, Christian, et al. “Rethinking the inception architecture for computer vision.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.

[Lin et al. 2014] Lin, Tsung-Yi, et al. “Microsoft COCO: Common objects in context.” European conference on computer vision. Springer, Cham, 2014.

總結(jié)

以上是生活随笔為你收集整理的10分钟内基于gpu的目标检测的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。