NVIDIA 7th SkyHackathon(七)Tao 目标检测模型可视化推理与导出
1.可视化推理结果
对于训练好的模型,使用 tao 套件可进行推理,各参数如下:
- -o:输出文件目录,即检测过的图片保存位置
- -e:训练配置文件
- -m:要测试的模型
- -l:推理结果的标注文件目录
- -k:秘钥
tao ssd inference --gpu_index=$GPU_INDEX -i $LOCAL_DATA_DIR/test_samples -o $USER_EXPERIMENT_DIR/ssd_infer_images -e $SPECS_DIR/ssd_retrain_resnet18_kitti.txt -m $USER_EXPERIMENT_DIR/experiment_dir_retrain/weights/ssd_resnet18_epoch_$EPOCH.tlt -l $USER_EXPERIMENT_DIR/ssd_infer_labels -k $KEY
之后,使用 matplotlib 进行可视化
import matplotlib.pyplot as plt
import os
from math import ceil
valid_image_ext = ['.jpg', '.png', '.jpeg', '.ppm']def visualize_images(image_dir, num_cols=4, num_images=10):output_path = os.path.join(os.environ['LOCAL_EXPERIMENT_DIR'], image_dir)num_rows = int(ceil(float(num_images) / float(num_cols)))f, axarr = plt.subplots(num_rows, num_cols, figsize=[80,30])f.tight_layout()a = [os.path.join(output_path, image) for image in os.listdir(output_path) if os.path.splitext(image)[1].lower() in valid_image_ext]for idx, img_path in enumerate(a[:num_images]):col_id = idx % num_colsrow_id = idx // num_colsimg = plt.imread(img_path)axarr[row_id, col_id].imshow(img)
效果图:
2.模型导出
首先在 $USER_EXPERIMENT_DIR
下创建模型导出的目录 export
,然后使用 tao 套件导出训练的模型,导出的模型即可利用 NVIDIA TensorRT 进行推理
其参数如下:
- -m:要导出的模型
- -o:导出模型的存放位置
- -e:训练配置文件
- -k:秘钥
- –batch_size:模型的输入 batchsize
- –data_type:导出模型的数据类型
tao ssd export --gpu_index=$GPU_INDEX -m $USER_EXPERIMENT_DIR/experiment_dir_retrain/weights/ssd_resnet18_epoch_$EPOCH.tlt -k $KEY -o $USER_EXPERIMENT_DIR/export/ssd_resnet18_epoch_$EPOCH.etlt -e $SPECS_DIR/ssd_train_resnet18_kitti.txt --batch_size 1 --data_type fp32
最后,使用 tao-coverter 工具,将导出的模型转为 TensorRT 可直接使用的推理引擎即可
tao converter -k $KEY -d 3,300,300 -o NMS -e $USER_EXPERIMENT_DIR/export/trt.engine -m 1 -t fp32 -i nchw $USER_EXPERIMENT_DIR/export/ssd_resnet18_epoch_$EPOCH.etlt
NVIDIA 7th SkyHackathon(七)Tao 目标检测模型可视化推理与导出相关推荐
- 收藏 | 超轻量目标检测模型NanoDet,比YOLO跑得快,上线两天Star量超200
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:机器之心 AI博士笔记系列推荐 周志华<机器学习> ...
- python实现目标检测_由浅入深:教你如何构建一个行人目标检测模型(Python)
摘要: 零基础也能构建一个目标检测(对象检测)模型?小编教你使用Image AI库从头开始构建一个行人检测模型. 当我们看到一张图片时,我们的大脑会立即识别图片中所包含的物体.而对于机器来说,识别这些 ...
- 目标检测模型---SSD
SSD 1.SSD网络模型 2. 先验框的准备(default box//Prior box) 3. VOC格式数据集的准备 4. 模型训练 4.1 模型如何从特征中获取预测结果 4.2 ground ...
- <计算机视觉 六> 深度学习目标检测模型的评估标准
鼠标点击下载 项目源代码免费下载地址 <计算机视觉一> 使用标定工具标定自己的目标检测 <计算机视觉二> labelme标定的数据转换成yolo训练格式 <计算机 ...
- 简单快速建立pytorch环境YOLOv5目标检测 模型跑起来(超简单)
简单快速建立pytorch环境+实现YOLOv5目标检测 模型跑起来(超简单) 一.下载yolov5模型代码: yolo代码 提取码:2022 下载后解压 二.简单快速创建pytorch环境: 1.条 ...
- 只有0.7M?超超超轻量SOTA目标检测模型揭秘!
目标检测作为计算机视觉领域的顶梁柱,不仅可以独立完成车辆.商品.缺陷检测等任务,也是人脸识别.视频分析.以图搜图等复合技术的核心模块,在自动驾驶.工业视觉.安防交通等领域的商业价值有目共睹. 正因如此 ...
- 基于卷积神经网络的目标检测模型的研究_黄咨_2014_上海交大
一.传统检测模型和卷积神经网络对比 传统检测模型:采用人工特征提取方法获取目标的特征描述.然后输入到一个分类器中学习分类规则. 人工特征提取方法的缺点: (1)对设计者提出比较高的学术要求, (2)提 ...
- 微调torchvision 0.3的目标检测模型
微调torchvision 0.3的目标检测模型 本文将微调在 Penn-Fudan 数据库中对行人检测和分割的已预先训练的 Mask R-CNN 模型.它包含170个图像和345个行人实例,说明如何 ...
- 目标检测模型从训练到部署!
Datawhale干货 作者:张强,Datawhale成员 训练目标检测模型并部署到你的嵌入式设备,让边缘设备长"眼睛". 目标检测的任务是找出图像中所有感兴趣的目标(物体),确定 ...
最新文章
- 杭州往事之与L项目SME Cathy小聚
- 预定义的类型“Microsoft.CSharp.RuntimeBinder.Binder”未定义或未导入
- 4.0以后的新布局方式GridLayout
- C/C++中的指针变量可以相互赋值,使得它们指向同一块地址空间
- Vue+Openlayer使用overlay实现弹窗弹出显示与关闭
- 牛客题霸 NC8 二叉树根节点到叶子节点和为指定值的路径
- 操作系统中PV操作之顾客理发师问题
- click事件的累加绑定
- 你的AJAX 请求真的安全?
- SecureCRT右键粘贴的设置
- HTC vive追踪定位原理与精度
- 【论文笔记】使用物理原理和领域知识进行无标注的监督学习
- 2019年面临的网络安全威胁有哪些
- 阿里巴巴宣布5.4亿战略投资中国万网==互联网电子商务绑定互联网基础服务为手机电子商务开拓铺路...
- 基因家族的鉴定-基于Windows系统上的HMMER
- jacob不能在Linux系统使用!
- Lua开发--lua变量
- Linux应用编程(进程)
- 请把我埋在新闻联播里
- mysql初始化密码问题