基本环境配置
1. 检查 nvcc
jetson nano 是原装了 CUDA 的，但是需要用户导入环境变量（导入相关的路径）才可以使用，只有环境变量导入成功后，方可在命令行使用 nvcc -V
sudo vim .bashrc
在最后添加这三行
#选择一个即可
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda/bin:$PATH
export PATH=/usr/local/cuda-10.2/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
保存后退出，执行 source ~/.bashrc，使得环境变量生效。
在命令行输入 nvcc -V 如果正常输出，说明 CUDA 路径配置成功
2. 安装 torch 和 vision（可忽略）
安装好后测试如图：
安装 pytorch，首先 CUDA 的步骤得过一下可以看到 nvcc -V
安装 pytorch 跟 CUDA 的版本要对应
网上找了个 1.6.0 的安装包通过 winscp 上传到 jetson 后离线安装下，该离线包可以到资料 5、常用库和模型中获取
sudo pip3 install torch-1.6.0a0+b31f58d-cp36-cp36m-linux_aarch64.whl
sudo pip3 install torchvision
sudo pip install boto3
终端输入 python3 进入到 python3 的运行环境中测试下，import torch，我遇到的报错是 ImportError:libopenblas.so.0:无法打开共享对象文件或目录，看了下这个教程:https://www.cnpython.com/qa/77454
尝试安装了 OpenBlas 系统库问题解决了
sudo apt-get install libopenblas-dev
到 python 环境中
import torch
print(torch.version)
查看安装的版本
接下来继续在 python3 环境中测试下 pytorch 的功能
from future import print_function
import torch
x = torch . rand(5, 3)
print(x)
输出
tensor([[0.3380, 0.3845, 0.3217],
[0.8337, 0.9050, 0.2650],
[0.2979, 0.7141, 0.9069],
[0.1449, 0.1132, 0.1375],
[0.4675, 0.3947, 0.1426]])
另外，要检查你的 GPU 驱动程序和 CUDA 是否启用，并通过 PyTorch 访问，运行以下命令返回是否启用 CUDA 驱动程序
import torch
torch.cuda.is_available()
测试完毕后接下来再安装 torchvision,根官网介绍,pytorch1.6 吻合的 torch 版本为 0.7.0
sudo apt-get install libjpeg-dev zlib1g-dev
git clone --branch v0.7.0 https://github.com/pytorch/vision torchvision
cd torchvision
export BUILD_VERSION=0.7.0
sudo python3 setup.py install
注意:安装可能会确实一些文件，这个可以安装相应的文件来解决，例如笔者遇到的是确实一下三个文件所以按了一下三个包
sudo apt install libavcodec-dev
sudo apt install libavformat-dev
sudo apt install libswscale-dev
重新 sudo python3 setup.py install
到 python 环境中输入下代码可以查看版本是否对应
import torchvision
print(torchvision.version)
jetson nao 其他配置
1. 更新镜像源
1.1. apt
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
sudo vim /etc/apt/sources.list.bak
ggVG 全选
dG 删除
- 源：
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe
sudo apt-get update //更新
1.2. pip
sudo apt-get install python3-pip python3-dev
sudo apt-get install python-pip python-dev
- pip 换源
$ sudo mkdir .pip #创建隐藏文件夹
$ ls -a #查看所有文件
$ cd .pip #进入文件夹
$ sudo touch pip.conf
$ sudo vim pip.conf
- 源:
[global]
timeout = 6000
index-url = http://pypi.doubanio.com/simple/
trusted-host = pypi.doubanio.com
1.3. docker
cat /etc/issue #查看ubantu版本
查看 Ubuntu 系统版本号
根据 Ubuntu 的版本号，配置相关的源镜像。跳转到源文件所在的目录
cd /etc/apt/
可以试用文件编辑工具打开 sources.list 文件
sudo gedit /etc/apt/sources.list
直接用以下内容替换 sources.list 文件中的所有内容即可。
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic main restricted universe multiverse
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates main restricted universe multiverse
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-backports main restricted universe multiverse
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security main restricted universe multiverse
更新了源文件之后，保存退出
sudo apt-get update
2. 安装 pytorch 和 torchvison
- 官网教程
- 版本要对应
- 下载官方提供的 torch-1.8.0-cp36-cp36m-linux_aarch64.whl 包
- 按照官方教程输入以下命令
$ sudo apt-get install python3-pip libopenblas-base libopenmpi-dev
$ pip3 install Cython
$ pip3 install numpy torch-1.8.0-cp36-cp36m-linux_aarch64.whl # (按照自己torch1.8.0包的下载路径修改，此过程较慢）
$ sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev
$ git clone --branch v0.9.0 https://github.com/pytorch/vision torchvision
$ cd torchvision
$ export BUILD_VERSION=0.9.0
$ python3 setup.py install --user #时间较长
- 检查环境
python3
import torch
import torchvision
print(torch.__version__)
print(torchvision.__version__)
torch.cuda.is_available()
3. miniforge 包管理(选)
‼️ <font color='red'>此内容为可非必要配置，因为 jetson 是 arm 版本无法直接安装 anaconda 环境，如果需要在 jetson 上安装 anaconda 可以接着往下看，若不需要，请跳过 </font>
3.1. miniforge 简介
conda 是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。搞深度学习的应该都十分熟悉 anaconda，但是 NVIDIA Jetson Xavier NX 是 arm 架构的，anaconda 及其精简版 miniconda 并不支持 arm64 架构。现在主流的 CPU 架构分为 Intel 的 x86/x64 架构和 ARM 的 ARM/ARM64 两种，平常用的电脑大部分都是 x86/x64 的（苹果除外），Xavier 使用的是 ARM64，所以很多在 x86/x64 上能用的的东西到了它这里就不能用了。这一点请谨记，如果你在 Jetson 上遇到什么奇奇怪怪的例如“No such file or directory”之类的问题，第一时间要考虑是不是版本不是 ARM64 的版本。
在 ARM64 上的 anaconda 替代品是 miniforge，miniforge 与 miniconda 的区别在于 miniforge 的下载通道是 conda-forge，其他基本没什么不同。
3.2. 安装 miniforge
- 我下载的是
Miniforge-pypy3-4.11.0-0-Linux-aarch64.sh,,代表适用于 arrch64 架构下的 Linux 系统。（ARM64 对应 32 位和 64 位分为 arrch32 和 arrch64） - 进入到 miniforge 的 sh 文件所在目录，右键打开 Terminal，输入以下命令进行安装：
sh Miniforge-pypy3-4.10.3-3-Linux-aarch64.sh
- 安装完毕后，添加环境变量，否则会出现
bash:conda Command not found的错误。顺便提一下 vim 编辑器按 a 是进入编辑模式，编辑完毕后按 ESC 退出编辑模式，再输入:wq!是保存并退出。
# 编辑环境变量
vim ~/.bashrc
# 增加环境变量, 将<username>换成你的用户名
export PATH=/home/<username>/miniforge-pypy3/bin:$PATH
# 激活环境变量
source ~/.bashrc
# 显示(base)
source activate
- 更换清华源
conda config --prepend channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --prepend channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
3.3. 安装 pytorch、torchvision
3.4. 安装新的虚拟环境
- 这是在 minigorge 上安装的 pytorch，若不想在虚拟环境上安装。可以参考 PyTorch for Jetson - version 1.10 now available - Jetson & Embedded Systems / Jetson Nano - NVIDIA Developer Forums
conda create -n pytorch python=3.6 #创建环境
conda activate pytorch #激活环境
- 其他操作（看即可）
conda deactivate #退出环境
conda remove -n pytorch --all
conda info -e #查看已有环境
激活成功会换名字
3.5. pytorch1.8
直接输入命令安装 PyTorch，pip3 是 python3 的 pip，如果没装，就换成 pip。
pip3 install -U future psutil dataclasses typing-extensions pyyaml tqdm seaborn
wget https://nvidia.box.com/shared/static/p57jwntv436lfrd78inwl7iml6p13fzh.whl -O torch-1.8.0-cp36-cp36m-linux_aarch64.whl
pip3 install torch-1.8.0-cp36-cp36m-linux_aarch64.whl
如果网络不好的话，也可以先把 PyTorch 的 whl 文件下载下来，NVIDIA 官方网址是：https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-9-0-now-available/72048
- **==** **<font color='red'>issue:** **</font>** ==
如果出现 Illegal instruction (core dumped) 的错误，这是由于 numpy 1.19.5 和 OpenBLAS 冲突引起的，修改其中一项即可。选择以下两种做法之一：
（1）降低 numpy 版本
pip3 install -U "numpy==1.19.4"
(2)设置 OpenBLAS
vim ~/.bashrc
加入
export OPENBLAS_CORETYPE=ARMV8
然后激活.bashrc
source ~/.bashrc
3.6. orchvision v0.9.0
4. 查看 jetson 信息 （jtop）
sudo pip3 install jetson-stats
sudo jtop
5. 风扇自动控制
git clone https://gitee.com/yin-qiyu/jetson-fan-ctl.git
cd /jetson-fan-ctl #进入文件夹
sudo apt install python3-dev
sudo ./install.sh
现在你的风扇就可以按照温度自动调整运行速度了
风扇的一些设置在 /etc/automagic-fan/config.json 目录下。
vim /etc/automagic-fan/config.json
{undefined
“FAN_OFF_TEMP”:20,
“FAN_MAX_TEMP”:50,
“UPDATE_INTERVAL”:2,
“MAX_PERF”:1
}
~
~
6. 增加 Swap 分区大小
- 先查看初试交换分区大小：
- 生成 swapfile 文件操作如下
#1）新增swapfile文件大小自定义
sudo fallocate -l 6G /var/swapfile
#2）配置该文件的权限
sudo chmod 600 /var/swapfile
#3）建立交换分区
sudo mkswap /var/swapfile
#4）启用交换分区
sudo swapon /var/swapfile
- 设置为自动启用 swapfile
sudo bash -c 'echo "/var/swapfile swap swap defaults 0 0" >> /etc/fstab'
设置成功后：
7. nomachine（虚拟网络控制台）
官网：NoMachine - Free Remote Desktop For Everybody
-
主机上正常安装
-
jetson 上
- 下载好对应版本用 SFTP 传到 jetson
-
sudo dpkg -i nomachine_7.6.2_3_arm64.deb
-
在同一局域网下即可连接
8. VNC（虚拟网络控制台）
- 编辑文件
sudo vim /usr/share/glib-2.0/schemas/org.gnome.Vino.gschema.xml
- 滑到文末添加下段内容格式如图片所示
<key name="enabled" type="b">
<summary>Enable remote access to the desktop</summary>
<description>
If true, allows remote access to the desktop via the RFB
protocol. Users on remote machines may then connect to the
desktop using a VNC viewer.
</description>
<default>false</default>
</key>
- 编译文件
sudo glib-compile-schemas /usr/share/glib-2.0/schemas
完成以上步骤，正常来说就可以打开桌面共享的图标了。
设置好后（不设置也可以）
- 配置 vnc 设置
$ gsettings set org.gnome.Vino prompt-enabled false
$ gsettings set org.gnome.Vino require-encryption false
- 设置密码（可以不要）
$ gsettings set org.gnome.Vino authentication-methods "["vnc"]"
$ gsettings set org.gnome.Vino vnc-password $(echo -n "请输入你的密码"|base64)
- 配置 vnc 自启
$ gsettings set org.gnome.Vino enabled true
$ mkdir -p ~/.config/autostart
$ vi ~/.config/autostart/vino-server.desktop
添加下面内容
[Desktop Entry]
Type=Application
Name=Vino VNC server
Exec=/usr/lib/vino/vino-server
NoDisplay=true
- 重启生效
$ sudo reboot
- 电脑端可下载 Download VNC Viewer | VNC® Connect (realvnc.com)
- 配置 jetson nano 的 ip 和密码即可连接
-
-
遇到下图提示输入电脑账户魔密码即可（是你主机的密码，不是 jetson 的）
-
9. TensoRT
9.1. TensoRT 介绍：
模型加速越来越成为深度学习工程中的刚需了，最近的CVPR和ICLR会议中，模型的压缩和剪枝是受到的关注越来越多。毕竟工程上，算法工程师的深度学习模型是要在嵌入式平台跑起来，投入应用的。在模型的推理（inference）过程中，计算速度是很重要的。比如自动驾驶，如果使用一个经典的深度学习模型，很容易就跑到200毫秒的延时，那么这意味着，在实际驾驶过程中，你的车一秒钟只能看到5张图像，这当然是很危险的一件事。所以，对于实时响应比较高的任务，模型的加速时很有必要的一件事情了。
如果你使用英伟达的产品，比如 PX2，那么在平台上部署模型投入应用，很多时候就需要用到专门的模型加速工具 —— TensorRT。
TensorRT 下的模型是在做什么？
TensorRT 只负责模型的推理（inference）过程，一般不用 TensorRT 来训练模型的哈。
TensorRT 能加速模型吗？
能！根据官方文档，使用 TensorRT，在 CPU 或者 GPU 模式下其可提供 10X 乃至 100X 的加速。本人的实际经验中，TensorRT 提供了 20X 的加速。
TensorRT 为什么能提升模型的运行速度？
TensorRT 是英伟达针对自家平台做的加速包，TensorRT 主要做了这么两件事情，来提升模型的运行速度。
- TensorRT 支持 INT8 和 FP16 的计算。深度学习网络在训练时，通常使用 32 位或 16 位数据。TensorRT 则在网络的推理时选用不这么高的精度，达到加速推断的目的。
- TensorRT 对于网络结构进行了重构，把一些能够合并的运算合并在了一起，针对 GPU 的特性做了优化。现在大多数深度学习框架是没有针对 GPU 做过性能优化的，而英伟达，GPU 的生产者和搬运工，自然就推出了针对自己 GPU 的加速工具 TensorRT。一个深度学习模型，在没有优化的情况下，比如一个卷积层、一个偏置层和一个 reload 层，这三层是需要调用三次 cuDNN 对应的 API，但实际上这三层的实现完全是可以合并到一起的，TensorRT 会对一些可以合并网络进行合并。
9.2. 检查自带 TensorRT 环境（选）
cd /usr/src/tensorrt/samples
sudo make #编译大约7分钟
../bin/sample_mnist
9.3. jetson inference 库安装（选）
sudo apt update
sudo apt autoremove
sudo apt upgrade
sudo apt install cmake
mkdir ~/workspace
cd workspace
git clone https://gitee.com/weikun-xuan/jetson-inference.git
cd jetson-inference
git submodule update --init
start
一、获取源码
首先打开终端运行如下代码：
sudo apt-get update
sudo apt-get install git cmake libpython3-dev python3-numpy
git clone --recursive https://gitee.com/weikun-xuan/jetson-inference.git
上面仓库源我全都自己换了，下载会比 GitHub 快很多。
二、换源
进入到 tools 文件下：
cd jetson-inference/tools
换下源，依次运行以下代码（均在 tools 文件下）：
1）模型下载国内源：
$ sed -in-place -e 's@https://nvidia.box.com/shared/static@https://bbs.gpuworld.cn/mirror@g' download-models.sh
2）pytorch 国内源：
$ sed -in-place -e 's@https://nvidia.box.com/shared/static@https://bbs.gpuworld.cn/mirror@g' install-pytorch.sh
$ sed -in-place -e 's@https://github.com/pytorch/vision@https://gitee.com/vcan123/pytorch@g' install-pytorch.sh
$ sed -in-place -e 's@https://github.com/dusty-nv/vision@https://gitee.com/vcan123/dusty-nv@g' install-pytorch.sh
三、编译安装
在 jetson-infernce 文件下执行如下操作：
mkdir build
cd build
cmake ../
接着就会出现：
模型包安装
此步为安装模型包，本人建议【全部取消】，不然会有些慢，之后我们可以去官网手动下载。
我们继续：
pytorch 安装
安装 pytorch。这时应该只有一个 for python 3.6 版本,选上然后 ok。
完成后还是在 build 文件下依次执行如下操作：
$ make
$ sudo make install
$ sudo ldconfig
完成。
10. 安装 jupyter 和 jetcam
- 安装 nodejs 和 npm
pip3 install --upgrade pip #更新pip
sudo apt install nodejs npm
但是用直接用上面这个命令安装后的版本是比较低的后续要安装 jupyterlab 插件可能会报错，用一下版本可以查看,至少要 12.3.0 版本的 node
node -v
npm -v
安装 n 模块，用这个模块来更新或者指定安装 node 的版本
sudo npm install -g n
先说明下这个模块的功能，一下命令了解下先，不用操作
清除 npm 缓存：npm cache clean -f
安装 n 模块：npm install -g n
安装官方稳定版本：n stable
安装最新官方版本：n latest
安装某个指定版本：n 11.6.0
查看已安装的 node 版本: n
查看当前 node 版本：node -v
删除指定版本：n rm 7.5.0
好的，了解完 n 模块的功能后来安装对应版本的 node,也可以安装最新版的例如以下，
sudo n latest
安装好后，node -v 查看下版本，如果版本没有变，那么可以尝试重启下，如果还是没有变，执行
sudo n
会出现一个画面，可以看到我们安装过的 node 版本名，例如我们这里是 v15.0.1，通过上下方向按键控制光标选择这个版本，然后回车镜像安装，然后查看下版本，如果还是没有变，一般再重启下就可以了。
- 安装 jupyterlab：（警告忽略，失败多次执行即可）
sudo pip3 install jupyter jupyterlab
sudo jupyter labextension install @jupyter-widgets/jupyterlab-manager
sudo jupyter labextension install @jupyterlab/statusbar
生成相应配置文件：（如果某个文件报权限问题，可以尝试用 sudo chmod 777 赋予权限）
jupyter lab --generate-config
设置进入 notebook 的密码（这里会要设置两次，第二次为确认输入的密码）：
jupyter notebook password
当第一次登录使用 notebook 时需要输入你在这里设置的密码才能进入，请务必记住的当前设置的密码！
设置开机自启动 jupterlab，create_jupyter_service.py 文件
运行 create_jupyter_service.py 文件产生 jupyter_service.service 文件
python3 create_jupyter_service.py
然后将产生的该服务文件移动至系统服务
sudo mv nano_jupyter.service /etc/systemd/system/nano_jupyter.service
使能该服务
sudo systemctl enable nano_jupyter.service
手动开启该服务
sudo systemctl start nano_jupyter.service
- 安装 jetcam
JetCam 是用于 NVIDIA Jetson 的易于使用的 Python 相机界面。使用 Jetson 的 Accelerated GStreamer 插件可与各种 USB 和 CSI 摄像机配合使用。轻松读取图像作为 numpy 数组 image = camera.read()。设置相机以 running = True 将回调附加到新框架。JetCam 使在 Python 中创建 AI 项目的原型变得容易，尤其是在 JetCard 中安装的 Jupyter Lab 编程环境中。
接下来开始安装:
git clone https://github.com/NVIDIA-AI-IOT/jetcam
cd jetcam
sudo python3 setup.py install
详细的使用即函数可以到 https://github.com/NVIDIA-AI-IOT/jetcam 查看
11. darknet 框架（选）
git clone https://github.com/AlexeyAB/darknet.git #下载darknet框架
$ cd darknet
$ sudo vim Makefile #修改Makefile
- 将
Makefile的前三行修改一下
- 和如图所示的 nvcc 位置（若前面配置了环境变量则无需这一步操作）
- 修改好猴按
esc左下角出现冒号后wq保存退出 - 在 darknet 路径下编译
$ make -j4
编译完成如图
在命令行下输入 ./darknet
在 yolo 官网下载 yolov4 和 yolov4-tiny 的权重文件放入文件夹
#Yolov4图片的检测
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg # 简写版
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg # 完整版
#Yolov4-tiny图片的检测
./darknet detect cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg # 简写版
./darknet detector test cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg # 完整版
# 改变检测阈值
# 默认情况下，YOLO仅显示检测到的置信度为.25或更高的对象。您可以通过将-thresh标志传递给yolo命令来更改此设置。
#例如，要显示所有检测，您可以将阈值设置为0.1：
./darknet detect cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg -thresh 0.1
#Yolov4摄像头实时检测方法：
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights /dev/video1
#Yolov4-tiny摄像头实时检测方法：
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights /dev/video1
#Yolov4视频的检测(github下来的data里面并没有该视频文件，需要用户自行上传要检测的视频文件到data文件夹下)
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights data/123.mp4
#Yolov4-tiny视频的检测
#Yolov4-tiny视频的检测(github下来的data里面并没有该视频文件，需要用户自行上传要检测的视频文件到data文件夹下)
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights data/xxx.mp4
- 若要调用 csi 摄像头需要 gstream 的支持
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"
解决 Jetson Nano 使用 CSI 摄像头在 Darknet 下实时检测绿屏_
Nvidia Jetson Nano 安装 GStreamer
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
1. 配置 GStreamer 管道
首先说一下思路：由于 yolov3 本身不支持 csi 摄像头，因此需要通过 GStreamer 来对 csi 摄像头获取的视频进行预处理，然后提交给 yolov3 进行识别判定，而这一过程重点就是 GStreamer 管道的配置，以下是博主的管道配置
# 仅适用于jetson-nano运行yolov4-tiny demo。注意请在darknet的文档页下打开terminal输入
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.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"
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.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"
原版：
./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"
口罩
./darknet detector demo cfg/obj.data cfg/yolov4-tiny-masks.cfg yolov4-tiny-obj_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"
yolo:
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.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"
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
官方：
./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"
// 仅适用于jetson-nano运行yolov3-tiny demo。注意请在darknet的文档页下打开terminal输入
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.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"
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.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"
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.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"
欢迎来到这里！
我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。
注册 关于