kui9702的博客

1、训练代码 # 训练我家小喵咪nora的照片 # 用的是yolov5 v6.1版本的ghost网络-->/models/hub/yolov5s-ghost.yaml # 训练请自己百度哈哈 2、导出onnx #在yolov5修改export.py，导出onnx模型，修改要添加模型为训练模式 即model.train() 3、onnx转换为onnx-sim # 安装onnx-simplifer pip install onnx-simplifer python -m onnxsim yolov5

先给ubuntu 20.04安装一个gui界面 这边采用的是远程连接 参考连接https://zhuanlan.zhihu.com/p/149501381 先给ubuntu更新密码 我的是第一次安装，所以直接设置新密码即可 root@KILE:~# passwd New password: Retype new password: passwd: password updated successfully 输入2次密码即可 如果忘记了 请自行百度 安装所需的两个文件包 $ sudo apt .

linux JNI调用so库（只是单纯记录步骤） GenerateHeader $JDKPath$\bin\javah -classpath $OutputPath$ -d ./jni $FileClass$ $ProjectFileDir$ 先写java测试用例 public class JniTest { static { //这个加载绝对路径动态库 System.load("/home/mozhe/java_c/jni/jniSurf/JniTest.so

TensorRT 前言 ​ TensorRT是nvidia官方开源的加速推理框架，适用于流行的深度学习框架：pytorch、tensorflow、Caffe等。TensorRT（下面简称trt）需要与nvidia提供的显卡一起使用，没有nvidia的cuda无法使用。 提高部署推理的方法有2种，一种是训练过程中需要进行优化加速的，比如模型压缩、模型剪枝、量化、知识蒸馏，另外一种是训练完成后通过优化计算图结构，比如torch script、tf lite、trt、onnx等。 本章根据上一章的内容

1、训练代码 # 训练我家小喵咪nora的照片 # 用的是yolov5 v6.1版本的ghost网络-->/models/hub/yolov5s-ghost.yaml # 训练请自己百度哈哈 2、导出torchscript #在yolov5修改export.py，导出torchscript模型，修改要添加模型为训练模式 即model.train() 3、下载pnnx或者自己编译pnnx 这里我在window下测试了，一个是直接下载编译好的pnnx.exe,另外一个是下载官网源码，参考：https

升级GCC以及GLIBC版本 gcc升级到8.2.0 # 下载网址为 https://ftp.gnu.org/gnu # 安装wget(已经是root) yum install wget -y # 安装make [root@localhost root]# cd /home [root@localhost home]# mkdir make [root@localhost make]# wget https://ftp.gnu.org/gnu/make/make-4.3.tar.gz [root@lo

TensorRT 安装TensorRT： https://developer.nvidia.cn/nvidia-tensorrt-download tensorrt下载网址 下载并解压tar.gz [root@localhost data]# tar -zvxf TensorRT-8.4.0.6.Linux.x86_64-gnu.cuda-11.6.cudnn8.3.tar.gz 在/etc/profile加入环境变量 [root@localhost python]# vim /etc/pr

tensorrt_c++_api 加速推理 上一篇写了tensorrt python 加速，这一篇是关于c++版本的加速，但是由于在预处理没有找到c++ PIL的实现，在精度上复现不了python版本，并且速度也没有python的快，但是将模型做成服务的话，由于python的并发没有c++版本的快，所以在部署时还是使用c++更合适 #pragma once #include <iostream> #include <fstream> #include <sstream&gt