qq_17278169的博客

TX2刷机步骤 准备工作： 1，Ubuntu14.04  64位的主机，必须是实体机，保证磁盘空余空间有22G以上，不能是虚拟机，能够连接外网。 2，路由器，保证主机和待刷机的tx2连接在同一个局域网内。如果局域网内有多台设备，可能导致刷机失败。 3，下载 JetPack-L4T-3.1-linux-x64.run 文件   具体步骤： 1，终端打开.run文件所在的目录，执行 s

关于tensorRT中遇到的几个问题 一、运行同一个程序，前后两次的运行结果不一样 例如运行tensorRT-SSD代码，同样的测试图片，检测出来的目标框会有轻微的抖动，但是目标还是能检测出来，不会影响精度。 二、相同的代码，相同的模型，相同的测试图片，在不同的平台上结果不一样 我在pc上的gtx1080显卡运行tensorRT代码，全部调试通过之后移植到tx2平台上运行，却发现在tx2平台上的检...

rennet-ssd使用tensorRT部署 一，将deploy.prototxt改写为deploy_plugin.prototxt 1,convolution层的param{}全部去掉，convolution_param中的weight_filter{}去掉，bias_filter{}去掉 2,将自定义层的名字改写为IPlugin，自定义层的参数写在新写的class里面 3,ssd的detect...

自动驾驶数据集BDD训练mobileNet-SSD <2> 这次的博客准备接着上次的结果来写的，但是结果非常的不好，那这里就当作是上次的总结吧 mobileNet-ssd 在BDD数据集上训练收敛不了，尝试了很多方法，loss一直在7.0左右，降不下去。 可能的原因： 1,BDD数据集中存在dirty的数据，需要进行数据清洗。例如BDD中夜间的标注，很多人眼根本分辨不出来是什么东西的标...

自动驾驶数据集BDD训练mobileNet-SSD <1> 一、组织训练样本 1、json文件转换为xml文件 原始bdd数据集是json格式的标注文件，由于我使用caffe训练，所以必须要将其转化为 VOC的xml格式的标注文件。所以直接使用Python脚本将其转化为xml。bdd数据集中包含有10个类别，包括bus,light,sign,person,bike,truc...

由于caffe-ssd的最后一层detection_out中有用到nms，并且是可以再gpu中实现的，这样就比在cpu上做快很多。为了将ssd工程化，需要设计一个接口，能直接设置detection_out中的nms阈值和confidence阈值。 在caffe中提供了修改每一层参数的代码 //net.hpp 215行 const shared_ptr<Layer<Dtype&g...

安装在tx2上安装qt环境，可以选择qt4和qt5 现在由于要和以前的代码兼容，我选择安装qt4sudo apt-get install qt-sdk #默认安装qt4，包括qt-creator安装好了但是JetsonHack推荐安装Qt5sudo apt-get install qt5-default qtcreator -y配置安装好qt-creator之后需要配置编译器 tools ->

ubuntu16.04 desktop提供了VNC server的服务，在Desktop sharing可以直接打开 1、打开desktop sharing，启动 2、勾选 Allow other users to view your desktop Allow other users to ocntrol your desktop 3、勾选完成之后直接关闭，然后安装dcon

由于采用的是Jetpack3.1刷机，所以tx2的环境是ubuntu16.04 + cuda8.0 + cudnnV6 + opencv2 一，caffe环境的配置 原始版本的caffe已经支持了cudnnV6，所以直接git下来的代码可以直接用，没有任何问题。 （网站上还说了ubuntu17.04可以直接 apt-get install caffe了） 所以，ca

caffe使用别人训练好的模型 我觉得都是一样的套路，不管是python还是c++ 掌握好步骤流程就行 加载网络结构流程 _1、设置gpu或者cpu模式 2、设置gpu设备号 3、加载网络结构，caffeModel和prototxt文件 4、处理输入图片，例如减去均值和归一化操作 5、前向传播 6、处理计算之后的结果_ #python代码 #ssd mobileNet检测图片

###深度学习视觉目标检测 整体思路 一、先搭建视觉目标检测算法 二、根据实际的硬件平台和实现效果来优化算法。 深度学习 网络结构 卷积、池化、全连接 卷积（深度可分离卷积、空洞卷积、反卷积） backbone(vgg、resnet、mobileNet) framework(SSD、YOLO) 非线性 如果没有非线性单元，不管多少层的神经网络都是简单的线性叠加。只有加入了非线性单元，才能...