Jetson Nano 2GB 系列文章(17):更换模型得到不同效果
本帖最后由 jetson小助理 于 2021-7-6 10:46 编辑在上一篇文章中,我们已经体验了 “10 行 Python 代码的威力”,可以明显感觉到 “Hello AI World” 的内容绝非一般应用的 “Hello World” 那么简单。在本篇文章中,我们将为大家介绍如何更换模型以获得不同的效果。
当然,这个项目有一个特色,那就是它非常有效地利用了 “预训练模型”!事实上,在深度学习应用过程中,“训练模型” 是需要耗费相当大量的时间与计算资源的,这个过程对于初学者来说难度非常高,因此想要让初学者轻松上手,就必须提供 “最简单”、“最有效” 的入门方式,“支持预训练模型” 就是一种非常好的方法。 看一下上一篇 “10lines.py” 里的第 5 行代码:
我们只要将粗体底线的 “ssd-mobilenet-v2” 部分进行置换,就能调用不同的预训练模型,去改变您想要检测的类型结果。这些预训练模型的来源主要有二:
1.本系统预建立的支持:
在前面 “项目安装” 一文中,执行过程的 “Download Models” 部分就是下载这些预训练模型以及所需要的配套文件,下载脚步会将这些文件放置到对应的路径中,并且在 C++ 主代码内已经做好设置。这是本文所要说明的内容。
2. 自行添加:这个部分由于牵涉更多的设定,因此会在后面的文章中进行说明。本系统已建立的模型列表如下图:
上面的模型,都是由 NVIDIA 为大家用高性能级别的 GPU 服务器,耗费数天时间所训练出来的模型,效果与质量都是很好的。前面三种都是以 91 类的 COCO 数据集训练出来的物件检测模型,三种模型直接的差异主要在性能与置信度之间。后面 7 种模型都是 “单类” 模型,它们均只能识别一种物件,我们可以对同一个视频去改变不同的模型,看看输出的结果如何,就能清楚“更换模型去改变功能”这句话的意思。
上表中与代码有关系的是第二行 “CLI argument”,也就是我们只要将前面指令中的粗体底线(“ssd-mobilenet-v2”)进行置换,例如调用 ped-100 这个模型,就只能检测 “pedestrians(行人)” 这类物件,请将模型代码部分改成 “pednet”,如此第 5 行内容就变成:
如果只想检测 “dog(狗)” 的话,就将模型代号改为 “coco-dog”,去调用 DetectNet-COCO-Dog 这个预训练的模型,代码如下:
这么轻松的方式,就能改变调用的模型,去得到不同的结果。
为了更有效地体验不同模型的识别效果,我们用视频文件作为输入源,就更容易感受到它们之间差异,这里用系统自带的 /usr/share/visionworks/sources/data/pedestrians.mp4 作为输入源,以此将 10lines.py 代码修改成如下:
(使用 ped-100 模型,只检测出 “Pededtrians(行人)”物件)
(使用 DetectNet-COCO-Dog 模型,只检测出 “Dog(狗)” 物件)
如何,是不是很简单呢?请自行尝试更换其他的模型,当然也可以将输入源改成摄像头,用你周遭的物体来试试效果。
最后,我们来看一个预训练好的模型,以系统预设的 SSD-Mobilenet-v2 为例,主要文件存放在 ~/jetson-inference/data/networks/SSD-Mobilenet-v2 里面,浏览一下里面的内容:
可以看到以下的列表:
第一个 “ssd_coco_labels.txt” 存放着这个模型的类别名称,您可以打开看看。
第二个 “ssd_mobilenet_v2_coco.uff” 就是预训练好的模型文件,附加文件名为 .uff 的通常是 Tensorflow 训练的模型,再转换过来的中间格式。
第三个文件的末尾附加名 “.GPU.FP16.engine” 代表是 TensorRT 所建立的加速引擎,支持 GPU 的 FP16 格式。
如果检查 ped-100 模型的话,会看到不一样的内容,执行以下指令:
可以看到以下的列表,这样的内容肯定就是由 Caffe 框架训练出来的模型。
页:
[1]