tensorflow目标检测源码（TensorFlow对象检测训练导出）

第1部分

从在自定义数据集中训练检测器到使用TensorFlow 1.15在Jetson纳米板或云上进行推理的详细步骤

完整代码可在GitHub上获得

• TensorFlow对象检测API V2的教程可作为jupyter notebook使用 https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb
• TensorFlow对象检测API V1的教程可作为jupyter notebook使用 https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/12_tf_obj_1/Train_Infer_Optimize_Deploy.ipynb

一些常见的困难包括

• 使用对象检测API库查找兼容的TensorFlow（和相关的cuda）版本
• 将自定义数据转换为tf记录格式
• 混淆了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
• 将模型从一种格式导出到另一种格式以进行推理
• 混合了不同的模型格式类型——检查点、冻结图、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式，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，我们在Monk Object Detection Toolkit中的Tensorflow 对象检测 API的两个版本上添加了一个低代码的pythonic包装器

使用它，开发人员和研究人员可以轻松地

• 使用TF推送定制训练数据集
• 使用pythonic API配置所有参数的模型文件
• 根据使用的网络和cuda版本的可用性，在TF1.0和TF2.0之间进行选择
• 根据自己的数据集训练、导出、优化、推断
• 使用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

下面提到的是使用TF训练和部署定制探测器的过程。在描述过程流程的同时，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与目标检测装置的兼容性

• 要使用对象检测 2.0，请使用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版在使用“CollectiveAllReduceExtended”模块进行训练时会导致错误。
• 使用TensorFlow 2.3.0时，需要Cuda 10.1。
• 要使用对象检测 1.0，请使用TensorFlow版本1.15.0或1.15.2。
• 使用TensorFlow 1.15时，需要Cuda 10.0。
• TFLite转换仍然存在某些错误（将在以后的博客中讨论）

过程B：设置数据集

• TensorFlow提供数据集工具以将数据转换为可接受的TF记录格式
• 但是这些示例仅适用于最常用的数据集，例如COCO，Pascal VOC，OpenImages，Pets-Dataset等。用户需要根据选择的示例笔记本，按照COCO、VOC、OID等格式重新格式化和排列数据集
• 另一种方法是更新示例代码以便提取自定义数据集，这本身就是一个艰难的过程
• 为了使自定义数据集的加载变得容易，我们修改了示例并添加了进一步的解析器以支持多种数据注释类型，并将其直接转换为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包装器支持大约23个模型，对象检测API 2.0支持大约26个模型
• 一旦选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，需要以稍微不同的方式进行手动更改
• tf1.0中的某些配置存在基本特征提取参数的问题。
• 在对配置文件应用更新后，整个工作区必须按照TF Obj github site站点上的教程指定的方式进行安排。 站点：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_training_and_evaluation.md

• 重新安排后，可以开始训练。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”，我们添加了pythonic函数来更新配置文件，并且不再需要为工作空间使用严格的文件夹结构。两种TF版本的训练过程几乎都与Monk的包装程序相同。

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”) 格式提供训练有素的模型。
• 为了在TF 1.0中进行推理，通常使用冻结图形格式。
• 为了在TF 2.0中进行推理，通常使用保存的模型格式。
• 特别是对于初学者来说，转换模型的过程在两个API中都不相同，通常很难弄清楚
• 为了简化流程，我们添加了解析器，以使外部包装器格式保持相同，这意味着我们能同时使用TF 1.0 API和TF 2.0 API。

过程E：TensorRT推论的模型优化

• 导出的模型最终使用TensorRT转换为优化版本。
• 支持的优化包括浮点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完全不同的。
• TensorRT的版本存在其他问题。这意味着，使用TensorRT版本5.1.5优化的模型无法在使用TensorRT版本5.1.6的部署计算机上运行。一个非常具体的问题是使用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计算功能。意思是，除非采取适当措施，否则在具有7.0版计算能力的GPU（V100 Nvidia GPU）上优化的模型不能在具有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澄清了所有疑问

过程F：在Jetson Nano板上设置所有东西

• 由于两个API都需要不同的TensorFlow版本，因此安装过程有所不同，Jetpack版本，CUDA版本以及TF 1.0在涉及tensorRT版本时都需要进一步注意。

让我们从版本1.0开始，每次使用一个对象检测API模块。

TF对象检测API 1.0过程A：在开发机器上安装

将要安装的库

• 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板上部署则不需要
• 带TensorRT 6.0.1的TensorFlow-GPU V1.15.2；如果在Nano板上进行部署，则需要
• 使用Monk Object Detection Toolkit的TF 对象检测 API 1.0

（确保CUDA 10.0和CUDNN 7随系统一起安装了NVidia驱动程序）

当模型要部署在Jetson Nano板上时，请按照以下说明配置你的开发（训练）机器

安装必备的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

安装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

安装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

构建并安装TensorFlow（在AWS P3.2x实例上大约需要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

最后构建对象检测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，请按照以下说明配置你的开发（训练）机器

安装所有必需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

安装TensorRT 5.1.5作为预构建的TensorFlow 1.15.0支持

# 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

使用google colab时，请遵循以下说明（TensorRT在colab上可能无法正常运行）

# 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：建立数据集

Monk对象检测解析器要求数据集采用COCO或Pascal VOC格式。对于本教程，让我们坚持使用Pascal VOC格式

要将数据集从任何格式转换为Pascal VOC，请查看以下详细教程

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/example_notebooks/12_tf_obj_1

在这个例子中，船检测数据集取自一个关于使用retinanet进行对象检测的旧博客

• 船检测数据集：https://www.tejashwi.io/object-detection-with-fizyr-retinanet/
• 博客：https://www.tejashwi.io/object-detection-with-fizyr-retinanet/

在这个jupyter notebook中提到了使用这些数据的步骤

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

过程C：更新配置并启动训练过程

加载训练引擎

from train_detector import Detector gtf = Detector();

在TF 1.15模型库中加载所有可用模型

目前，它支持24种不同型号的SSD和Faster RCNN

加载训练验证数据集

将注释转换为VOC格式后加载数据集

根据可用的GPU设置批次大小。在本教程中，使用了带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")

选择并加载模型

下载模型后，Monk会根据所选参数自动更新配置文件

在本教程中，我们使用了SSD MobileNet V1，它可以接收形状为320x320x3 RGB图像的输入图像

gtf.set_model_params(model_name="ssd_mobilenet_v1")

设置其他训练和优化器参数

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优化器创建一个计划，然后构建它。构建计划是为了优化它正在构建的GPU的模型。

如前所述，在具有不同cuda计算能力的GPU上优化的模型无法在jetson nano上运行，因此Monk库确保该计划在开发机（云或colab）上编译，而该计划则在运行时在部署机（jetson nano）上构建

使用INT8优化时，无法执行此功能，计划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，因此在其上运行的包装程序将关闭python系统。

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

根据参数设置，训练好的模型将保存在名为“ 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，因此在其上运行的包装器将关闭python系统。

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

根据参数设置，导出的模型将保存在名为“ 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，因此在其上运行的包装程序将关闭python系统。

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

根据参数设置，优化的模型将保存在名为“ 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 Infer gtf = Infer();

载入模型

首先加载导出的模型并运行步骤，然后通过加载优化的模型重复相同的步骤（步骤保持不变）

# To load exported model gtf.set_model_params('export_dir/frozen_inference_graph.pb', "ship/classes.txt") # To load optimized model gtf.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);

使用两个模型运行速度测试分析

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

在AWS P3.2x V100 GPU上使用导出的模型（未优化）进行分析

Average Image loading time : 0.0091 sec Average Inference time : 0.0103 sec Result extraction time : 0.0801 sec total_repetitions : 100 total_time : 1.0321 sec images_per_sec : 96 latency_mean : 10.3218 ms latency_median : 10.3234 ms latency_min : 9.4773 ms

在AWS P3.2x V100 GPU上使用优化模型进行分析

处理后优化使速度提高约2.5倍

Average Image loading time : 0.0092 sec Average Inference time : 0.0042 sec Result extraction time : 0.0807 sec total_repetitions : 100 total_time : 0.4241 sec images_per_sec : 235 latency_mean : 4.2412 ms latency_median : 4.2438 ms latency_min : 4.0156 ms

过程F-3：在Jetson Nano板上安装步骤

步骤1：更新Apt

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

步骤2：安装系统库

$ 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

将这些行添加到〜/ .bashrc文件

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3 export WORKON_HOME=$HOME/.virtualenvs export VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenv source /usr/local/bin/virtualenvwrapper.sh export PATH=/usr/local/cuda-10.0/bin${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：创建虚拟环境并安装所有必需的python库，安装numpy大约需要15分钟

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

安装scipy大约需要40分钟

$ pip install scipy==1.5.1

安装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

安装OpenCV需要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

最后克隆Monk对象检测库并安装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：关于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（此步骤大约需要4到5分钟）

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

现在，如前所述，TensorRT负责计划并在运行时构建（优化）计划，因此第一次运行大约需要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建立（优化）计划（模型）（作者拥有的图像）

再次运行它不会花费太多时间。

Benchmark板基准分析

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

# With Jetson Nano power mode - 5W ModeAverage Image loading time : 0.0275 sec Average Inference time : 0.0621 sec total_repetitions : 100 total_time : 6.2172sec images_per_sec : 16 latency_mean : 67.1722 ms latency_median : 60.7875 ms latency_min : 57.4391 ms

# With Jetson Nano power mode - MAXN ModeAverage Image loading time : 0.0173 sec Average Inference time : 0.0426 sec total_repetitions : 100 total_time : 4.2624 sec images_per_sec : 23 latency_mean : 42.6243 ms latency_median : 41.9758 ms latency_min : 40.9001 ms

jupyter notebook提供TensorFlow对象检测API 1.0的完整代码

从谷歌驱动器下载所有预先训练的权重

• https://drive.google.com/file/d/1gtBp6G4Gix-b9epmUzd5kQtT1aY-iwXk/view?usp=sharing

第2部分

从在自定义数据集上训练检测器到在Jetson纳米板或云上使用TensorFlow 2.3进行推理的详细步骤

TF对象检测API 2.0过程A：在开发机器上安装

要安装的库

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

带TensorRT 6.0.1的TensorFlow-GPU V2.3.0

使用Monk Object Detection Toolkit的TF Object Detection API 2.0

将进行TensorRT安装

后续部分（确保CUDA 10.0和CUDNN 7随系统一起安装了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：建立数据集

这与第1部分中的相同。Monk对象检测解析器要求数据集采用COCO或Pascal VOC格式。对于本教程，让我们坚持使用Pascal VOC格式

要将你的数据集从任何格式转换为Pascal VOC，请查看以下详细教程

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/example_notebooks/13_tf_obj_2

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/object-detection-with-fizyr-retinanet/

此jupyter notebook中提到了使用数据的步骤

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

过程C：更新配置并开始训练过程

加载训练引擎

from train_detector import Detector gtf = Detector();

在TF 2.0 Model Zoo中加载所有可用的模型

目前，它支持26种SSD，Faster RCNN和EfficientDet不同的型号

即将添加对Centernet模型的支持，原始管道在训练中有错误

加载训练和验证数据集

将注释转换为VOC格式后加载数据集

根据可用的GPU设置批处理大小。在本教程中，使用了具有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")

选择并加载模型

下载模型后，Monk会根据所选参数自动更新配置文件

在本教程中，我们使用了SSD MobileNet V2，它可以接收形状为320x320x3 RGB图像的输入图像

• SSD MobileNet V2：https://resources.wolframcloud.com/NeuralNetRepository/resources/SSD-MobileNet-V2-Trained-on-MS-COCO-Data

gtf.set_model_params(model_name="ssd_mobilenet_v2_320")

设置其他训练和优化器参数

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优化器创建一个计划，然后构建它。构建计划是为了优化它正在构建的GPU的模型。

如前所述，在具有不同cuda计算能力的GPU上优化的模型无法在jetson nano上运行，因此Monk库确保该计划在开发机（云或colab）上编译，而该计划则在运行时在部署机（jetson nano）上构建

使用INT8优化时，无法执行此功能，计划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，因此在其上运行的包装程序将关闭python系统。

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

根据参数设置，训练好的模型将保存在名为“ 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，因此在其上运行的包装器将关闭python系统。

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

根据参数设置，导出的模型将保存在名为“ 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

安装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。

下面提到的是适用于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，因此在其上运行的包装程序将关闭python系统。

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

根据参数设置，优化的模型将保存在名为“ 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 Infer gtf = 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重复相同的步骤（步骤保持不变）

# To load exported model gtf.set_model_params(exported_model_dir = 'export_dir') # To load optimized model gtf.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);

样本推断结果

使用两个模型运行速度测试分析

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

在AWS P3.2x V100 GPU上使用导出的模型（未优化）进行分析

Average Image loading time : 0.0110 sec Average Inference time : 0.0097 sec Result extraction time : 0.0352 sec total_repetitions : 100 total_time : 0.9794 sec images_per_sec : 102 latency_mean : 9.7949 ms latency_median : 9.7095 ms latency_min : 9.1238 ms

在AWS P3.2x V100 GPU上使用优化模型进行分析

约1.5倍的速度加快处理后期优化

Average Image loading time : 0.0108 sec Average Inference time : 0.0062 sec Result extraction time : 0.0350 sec total_repetitions : 100 total_time : 0.6241 sec images_per_sec : 160 latency_mean : 6.2422 ms latency_median : 6.2302 ms latency_min : 5.9401 ms

过程F-2：在Jetson Nano板上设置所有东西

步骤1：下载Jetpack 4.3 SD卡映像 https://developer.nvidia.com/jetpack-43-archive

步骤2：将此图片写入SD卡。你可以使用 https://www.balena.io/etcher/

步骤3：将你的SD卡插入Nano板并启动系统，然后完成安装步骤

获取有关Nvidia的“ Jetson Nano入门”页面的更多详细信息

• https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit

过程F-3：在Jetson Nano板上安装步骤

步骤1：更新Apt

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

步骤2：安装系统库

$ 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

将这些行添加到〜/ .bashrc文件

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3 export WORKON_HOME=$HOME/.virtualenvs export VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenv source /usr/local/bin/virtualenvwrapper.sh export PATH=/usr/local/cuda-10.0/bin${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：创建虚拟环境并安装所有必需的python库

安装numpy大约需要15分钟

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

安装scipy大约需要40分钟

$ pip install scipy==1.5.1

安装Jetson Nano TensorFlow-2.0.0需再花费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

安装OpenCV需要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

最后克隆Monk Object Detection库

注意：不要像在开发机器中那样运行13_tf_obj_2的安装。用tf2.0安装tf对象检测有一些问题。推理代码不需要对象检测API工具。

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

过程F-4：关于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（此步骤大约需要4到5分钟）

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

现在，如前所述，TensorRT采用计划并在运行时构建（优化）它，因此第一次运行大约需要3-4分钟

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1); # Oputput will be saved as output.jpg gtf.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建立（优化）计划（模型）（作者拥有的图像）

再次运行它不会花费太多时间。

Benchmark板基准分析

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

# With Jetson Nano power mode - 5W ModeAverage Image loading time : 0.0486 sec Average Inference time : 0.1182 sec total_repetitions : 100 total_time : 11.8244 sec images_per_sec : 8 latency_mean : 118.2443 ms latency_median : 117.8019 ms latency_min : 111.0002 ms

# With Jetson Nano power mode - MAXN ModeAverage Image loading time : 0.0319 sec Average Inference time : 0.0785 sec total_repetitions : 100 total_time : 7.853 sec images_per_sec : 12 latency_mean : 78.5399 ms latency_median : 78.1973 ms latency_min : 76.2658 ms

jupyter notebook提供TensorFlow对象检测API 2.0的完整代码

• https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

从谷歌驱动器下载所有预先训练的权重

• https://drive.google.com/file/d/12iOSeYHut_ZxB9Z8_dO7ZdUBI7of-GMd/view?usp=sharing

TensorFlow对象检测API V 2.0的所有工作到此结束

,