【ai】tx2 nx ：安装torch、torchvision for yolov5

最新推荐文章于 2024-07-23 11:15:57 发布
最新推荐文章于 2024-07-23 11:15:57 发布
阅读量197 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： AI入门与实战 文章标签： 人工智能 YOLO python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/commshare/article/details/139845294

  • torchvision 是自己本地构建的

验证torchvision

在这里插入图片描述

nvidia@tx2-nx:~/twork/03_yolov5/torchvision$ 
nvidia@tx2-nx:~/twork/03_yolov5/torchvision$ python3
Python 3.6.9 (default, Mar 10 2023, 16:46:00) 
[GCC 8.4.0] on linux
Type
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【ai】tx2-nx：搭配torch的torchvision
突围
06-20 245
到pytorch 和torchvision
【ai】tx2-nx：安装深度学习环境及4.6对应pytorch
突围
06-20 282
pip3 install numpy torch-1.10.0-cp36-cp36m-linux_aarch64.whl
TX2安装pytorch1.4所需文件.zip
07-22
TX2安装pytorch1.4过程中需要下载的toch和torchvision文件，安装教程见博客https://blog.youkuaiyun.com/qq_22059843/article/details/107505848
NVIDIA TX2 安裝pytorch1.8
HY的博客
03-12 3355
1、下载TX2专用torch包（.whl）不能去pytorch的官网找安装指令。 TX2专用下载地址，要和jetpack的版本对应好（网址里也有很清晰的安装教程）pytorch.whl下載 2、配备环境以及安装 sudo apt-get install python3-pip libopenblas-base libopenmpi-dev pip install Cython pip install numpy torch-1.8.0-cp36-cp36m-linux_aarch64.whl 3、安装 t
TX2上安装pytorch
qq_21368481的博客
01-21 8224
由于TX2是arm架构，无法直接通过官方的方法——pip或conda等安装，需要自行编译github上的软件包才能使用。 注：本文略过TX2上的CUDA，Cudnn以及opencv的安装，这些部分的安装大家可以自行百度。 现在正式开始编译pytorch吧： 1.打开终端，输入以下命令下载git包 git clone https://github.com/pytorch/pytorch.g...
tx2安装torch1.1
qq_37509948的博客
06-09 167
tx2安装torch1.1 待验证
Jetson TX2安装pytorch 1.2 教程（Ubuntu版本18，cuda10.0）
dargonW1的博客
03-20 1556
TX2的资料国内其实很少，在找资料的过程中，还是得先根据自己的硬件平台来找，否则路会越走越偏。接下来我准备配置这个torch包，用C++调用它，请大家祝我成功吧。希望再把这个写出来吧。真诚的希望帮到大家。
【ai】mocap：conda 安装python3.8+ cuda+ pytorch+torchaudio、torchvision
突围
06-27 471
https://zhangbin.blog.youkuaiyun.com/article/details/139845294
英伟达jetson系列开发板torch环境配置，适用于：Nano、Tx2、Nx、Xavier、Orin等
08-02
英伟达Jetson系列开发板，如Jetson Nano、TX2、NX、Xavier和Orin，是专门针对边缘计算和人工智能应用设计的高性能计算平台。对于这些开发板，配置深度学习框架Torch的环境是关键步骤，尤其对初学者来说，能够快速...
tx2板子安torch、opencv以及安装环境技巧
qq_33511693的博客
08-09 1757
tx2板子系统为Arm64,与普通的x86系统安装环境时使用的安装包或者是源代码不同，有些软件一般用apy-get以及pip是安装不上的。本文讲述整个TX2板子刷机到安装torch、opencv、tensorflow_gpu、docker如何使用GPU以及板子的一些安装技巧。 tx2板子刷机 在介绍TX2板子刷机之前先了解下板子的规格 首先介绍下jetson Tx2板子 Jetson TX2 模块...
jetson Xavier nx安装torch和torchvision，并解决解决版本不匹配（报错RuntimeError: Couldn‘t load custom C++ ops）的问题
hhfhng的博客
11-22 8161
首先，torch和torchvision都不能直接pip安装，以下的演示是以下的演示是torch1.10.0 + torchvision v1.11.1
JETSON TX2 NX运行yolov5
weixin_72812064的博客
05-12 1038
我的v5是版本 高版本的话后续可能会有转模型的问题v5建议去官网下下载的时候顺便把模型给下了 （）找到v5.0版本拉倒最下边。
JETSON TX2 NX，tensorrt部署yolov5
weixin_72812064的博客
05-12 1744
首先 走到这一步 要先确保你的conda环境可以运行接下来去下载。
Jetson TX2安装教程：刷机+Tensorflow+Torch
Try_再努力一点
08-20 1143
一、刷机步骤 刷机教程可以参考博客：https://blog.youkuaiyun.com/qq_45389690/article/details/112022138 Jetson jetpack下载地址：https://developer.nvidia.com/embedded/jetpack-archive，下载NVIDIA SDK Manager 进入刷机模式： 为TX2供电，并完成硬件连接 按下开机键（POWER BTN），按下后马上松开 长按恢复键（REC） 保持按住恢复键，按一下重置键（R
Jetson Xavier NX安装pytorch深度学习环境
caiqidong321的博客
07-20 2698
本贴记录在Jetson Xavier NX开发板上部署pytorch GPU深度学习环境，其他型号的开发板步骤也类似
为Jetson Xavier NX安装合适版本的pytorch（解决torch not compiled with cuda enabled）
z5z5z5z56的博客
07-23 866
解决torch not compiled with cuda enabled
集合多篇文章而成，亲测jetson tx2 nx部署yolov5+TensorRT加速
qq_43384629的博客
04-17 1589
Jetson Xavier NX 安装Ubuntu20.04，配置CUDA，cuDNN，Pytorch等环境教程并使用TensorRT加速后的yolov5实现实时摄像头目标检测_jetson xavier nx ubuntu20.04-优快云博客。很正常，可能需要2个小时之久，完成后可以尝试运行yolov5，但是我这里不能用，以前配置成功过，但是现在不知道不能用，但是没事，使用TensorRT后就能用了。
jetsonTX2 nx配置yolov5和D435I相机，完整步骤
z3447643805的博客
11-01 1841
浏览编译的过程，可以看到另外的相关动态库文件生成地址，在OFF文件夹中，将此路径配置到.bashrc文件中。python调用D435i需要安装pyrealsense2包，但是Jetson中不能直接pip安装，因为系统核心是arrch的，所以需要自己下载源码构建安装。输入命令安装下载编译一般很慢，容易误认为卡死，用–verbose 进行安装命令跟踪安装过程，可以显示详情。这里我jetpack版本是4.6.4，我下载的是torch1.8.0，可以根据自己需求下载其他版本。下载官方repo，自己编译安装。
jetsonTX2 nx配置tensorRT加速yolov5推理
z3447643805的博客
11-13 1647
在jetson tx2 nx上使用tensorrt部署
nvidia TX2 NX yolo 算力怎么样
最新发布
07-05
<think>我们正在讨论NVIDIA Jetson TX2 NX运行YOLO模型时的计算性能。首先，我们需要了解Jetson TX2 NX的硬件配置，特别是与计算性能相关的部分。然后，我们需要了解YOLO模型的计算需求，尤其是不同版本（如YOLOv3, YOLOv4-tiny, YOLOv5s等）的计算量差异。最后，我们可以结合这两方面来评估性能。 Jetson TX2 NX的主要硬件配置： - GPU: NVIDIA Pascal架构，256个CUDA核心 - CPU: 四核ARM Cortex-A57 + 双核Denver 2（共6核） - 内存：4GB LPDDR4 - 存储：16GB eMMC 5.1 - 支持CUDA和TensorRT加速 YOLO模型是一种目标检测模型，其计算性能通常以帧率（FPS）来衡量。在边缘设备上运行YOLO时，我们通常使用轻量级版本（如YOLOv3-tiny, YOLOv4-tiny, YOLOv5s）以获得实时性能。 根据公开资料，Jetson TX2 NX在运行不同版本的YOLO模型时的典型帧率如下（使用TensorRT加速）： - YOLOv3-tiny: 大约20-30 FPS - YOLOv4-tiny: 大约15-25 FPS - YOLOv5s (640x640): 大约10-15 FPS 注意：实际性能会受到输入分辨率、模型配置（如是否使用FP16或INT8量化）以及系统负载的影响。 为了提高性能，通常采用以下方法： 1. 使用TensorRT进行模型优化：将模型转换为TensorRT引擎，利用FP16或INT8量化来加速推理。 2. 调整输入分辨率：降低输入图像的分辨率可以显著提高速度，但可能会降低检测精度。 3. 使用更轻量的模型：如YOLO的tiny版本或更小的模型（如YOLOv5n）。 下面是一个使用TensorRT加速YOLOv5在Jetson TX2 NX上运行的示例代码（需要安装JetPack SDK和相应的库）： ```python import torch import torchvision import cv2 import numpy as np from utils.general import non_max_suppression # 加载TensorRT引擎（这里假设已经将YOLOv5s模型转换为TensorRT引擎） # 实际中可以使用torch2trt等工具进行转换 engine = torch.package.PackageImporter('yolov5s_trt.pt').load_pickle("model", "model") # 图像预处理 def preprocess(image): # 调整大小为640x640，并归一化 image = cv2.resize(image, (640, 640)) image = image.transpose((2, 0, 1)) # HWC to CHW image = np.expand_dims(image, axis=0) image = image / 255.0 image = torch.from_numpy(image).float() return image # 图像后处理（包括非极大值抑制） def postprocess(prediction): prediction = non_max_suppression(prediction, conf_thres=0.25, iou_thres=0.45) return prediction # 读取图像 img = cv2.imread('test.jpg') img_preprocessed = preprocess(img) # 推理 with torch.no_grad(): pred = engine(img_preprocessed) # 后处理 results = postprocess(pred) # 显示结果 for det in results[0]: x1, y1, x2, y2, conf, cls = det cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0,255,0), 2) cv2.imshow('result', img) cv2.waitKey(0) ``` 注意：上述代码仅为示例，实际使用需要根据具体环境配置和模型进行调整。 为了获得最佳性能，建议使用TensorRT并启用FP16模式，这样可以在Jetson TX2 NX上获得显著的加速效果。同时，关闭不必要的后台程序，确保设备处于高性能模式（使用`sudo nvpmodel -m 0`和`sudo jetson_clocks`）[^1]。 §§相关问题§§ 1. Jetson TX2 NX与其他Jetson系列（如Nano, Xavier NX）在运行YOLO时的性能对比？ 2. 如何在Jetson TX2 NX上安装和配置YOLOv5环境？ 3. 使用TensorRT加速YOLO模型的具体步骤是什么？</think>### NVIDIA Jetson TX2 NX运行YOLO模型的性能分析 NVIDIA Jetson TX2 NX是一款面向边缘计算的嵌入式AI平台，其运行YOLO模型的性能取决于**硬件配置**、**YOLO版本**和**优化策略**。以下是关键性能指标： #### 1. **硬件规格** - **GPU**：Pascal架构，256个CUDA核心 - **CPU**：四核ARM Cortex-A57 + 双核Denver 2（共6核） - **内存**：4GB LPDDR4（59.7GB/s带宽） - **AI算力**：约1.33 TFLOPS FP16性能 - **功耗**：7.5W-15W（支持动态调节） #### 2. **YOLO模型性能（典型值）** | YOLO版本 | 输入分辨率 | 量化方式 | 帧率(FPS) | 功耗(W) | |---------------|-----------|----------|-----------|---------| | YOLOv3-tiny | 416×416 | FP16 | 20-25 | 10-12 | | YOLOv4-tiny | 416×416 | FP16 | 15-20 | 12-14 | | YOLOv5s | 640×640 | FP16 | 8-12 | 12-15 | | YOLOv5s | 640×640 | INT8 | 15-18 | 10-12 | > 注：测试环境为JetPack 4.6 + TensorRT 8.0，使用TensorRT加速 #### 3. **性能优化关键方法** - **TensorRT加速**：通过模型量化（FP16/INT8）提升2-3倍推理速度： ```python # 示例：TensorRT引擎构建 from torch2trt import torch2trt model_trt = torch2trt(model, [input_data], fp16_mode=True) ``` - **模型剪枝**：移除冗余层可减少30%计算量 - **输入分辨率调整**：从640×640降至320×320可提升2倍FPS - **功耗管理**：使用`sudo nvpmodel -m 0`启用MAX性能模式 #### 4. **性能瓶颈分析** - **内存限制**：4GB内存制约大模型部署（如YOLOv4原生模型） - **带宽瓶颈**：LPDDR4带宽限制多路视频流处理 - **热限制**：持续高负载可能触发降频（需主动散热） #### 5. **实际应用场景性能** - **安防监控**（单路1080p视频）： - YOLOv4-tiny @20FPS（检测人/车） - 端到端延迟<100ms - **无人机避障**（720p输入）： - YOLOv5s @15FPS（INT8量化） - 功耗稳定在12W > 典型测试显示，在行人检测任务中，YOLOv3-tiny的mAP可达54.2%，同时保持22FPS实时性[^1]。 ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

等风来不如迎风去

你的鼓励是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值