软硬件版本

Jetson Nano 4G  

ubuntu 18.04
JP 4.5.1
CUDA 10.2
TensorRT 7.1.3.0

Python 3.6

一、下载源码

git clone https://github.com/AlexeyAB/darknet.git

二、编辑Makefile

cd darknet
sudo vim Makefile   

三、编译

在darknet路径下输入

make -j4

编译成功，输入./darknet有如下输出

四、将我们在windows下训练好的权重以及改好的文件复制到板子上的darknet文件夹相应位置

复制的文件有四个个分别是：

1.我们训练好的权重文件

2.修改过的cfg文件夹下的cfg/yolov4-tiny.cfg

3.修改后的cfg文件夹下的cfg/coco.data

4.修改后的cfg文件夹下的cfg/coco.name

我这里把修改后的四个文件统一放在了一个文件夹里面如下

 通过WinSCP把这个文件夹直接拖到nano的darknet里面

五、USB摄像头测试

输入指令

./darknet detector demo ok/new.data ok/yolov4-tiny-new.cfg ok/yolov4-tiny-new_last.weights /dev/video1

六、CSI摄像头检测

1.先安装 GStreame

sudo add-apt-repository universe
sudo add-apt-repository multiverse
sudo apt-get update
sudo apt-get install gstreamer1.0-tools gstreamer1.0-alsa gstreamer1.0-plugins-base gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav
sudo apt-get install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgstreamer-plugins-good1.0-dev libgstreamer-plugins-bad1.0-dev 

2.输入下面指令显示安装成功

3. 测试

./darknet detector demo ok/new.data ok/yolov4-tiny-new.cfg ok/yolov4-tiny-new_last.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

4.效果

USB摄像头和CSI摄像头在FPS上差别不大，后续我还会进行tensorrt转换

重头戏！！！进行tensorrt转换并调用摄像头

一、下载源码

我是在电脑上下载的源码然后复制到nano板子上

GitHub - jkjung-avt/tensorrt_demos: TensorRT MODNet, YOLOv4, YOLOv3, SSD, MTCNN, and GoogLeNet

二、将我之前训练好的yolov4-tiny.weights和yolov4-tiny.cfg从电脑上复制到刚才下载好的文件中，路径是tensorrt_demos-master/yolo

注意这里的yolov4-tiny.weights是我们之前训练好的，yolov4-tiny.cfg是我们训练时修改过的

三、看一下requirements.txt中我们是否满足条件

四、返回上一层plugins文件夹下执行make编译

 编译成功生成yolo_layer.o和libyolo.layer.so文件

如果不编译的话后面运行onnx_to_tensorrt.py会有如下错误 

五、将yolov4-tiny.weights文件转换为onnx格式

在tensorrt_demos-master/yolo下输入

python3 yolo_to_onnx.py -m yolov4-tiny

六、生成trt文件

python3 onnx_to_tensorrt.py -m yolov4-tiny

七、调用CSI检测（测试的时候都是在tensorrt_demos-master文件夹下进行）

这里检测代码我们可以看utils/camera.py，里面有说怎么调用

返回上层文件夹输入

python3 trt_yolo.py --gstr "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink" -m yolov4-tiny

即可调用CSI摄像头，FPS17左右

八、调用USB摄像头

输入

python3 trt_yolo.py --usb 1 -m yolov4_tiny

即可调用USB摄像头，FPS=26左右

九、测试MP4视频

python3 trt_yolo.py --video ceshi.MP4 -m yolov4_tiny

十、修改置信度

可以修改置信度也可以不修改，打开trt_yolo.py

以上就是yolov4-tiny部署到jetson nano 以及tensorrt转换+测试的整个流程 

参考博文：

jetson-nano项目：使用csi摄像头运行yolov3-tiny demo_x16516581的博客-CSDN博客

Nvidia Jetson Nano 安装 GStreamer_.-CSDN博客

Jetson Nano使用YOLOv4进行目标检测_FriendshipTang的博客-CSDN博客

Jetson nano从烧录系统到DeepStream+TensorRT+yolov5检测CSI摄像头视频 - 哔哩哔哩

在Jetson Nano上进行实时目标检测：使用tensorRT加速yolov3 v4-tiny (tensorrt_demos)_Uncle Pan's Blog-CSDN博客_jetson nano yolov4加速

版权声明：本文为CSDN博主「hhhhhhky」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_54603153/article/details/120226231