超级会员免费看
本文介绍了如何在Jetson平台利用TengineInferPipe和TensorRT后端实现深度学习Demo。首先，概述了TengineInferPipe的基本功能和数据流程，接着详细阐述了环境配置，包括bazel、gcc、opencv的版本需求。随后，指导了TengineInferPipe库的编译步骤，以及如何修改CMakeLists.txt以适应Jetson平台。最后，给出了Demo的编译与运行方法，演示了检测结果的保存方式。
1. TengineInferPipe简介
TengineInferPipe 是由 OPEN AI LAB 基于mediapipe框架进行改进、迭代的一套低代码、模块化的算法落地框架。通过解析部署配置文件，构建整个部署流程。可以用于快速构建算法部署sdk，以及可以作为一些可视化部署方案的中间层。其基本数据流程图如下图所示。
2. 基于TensorRT后端Demo实现
2.1 环境需求
1）bazel >= 3.7 参考 bazel安装说明 安装bazel到系统中，或者下载对应版本Releases • bazelbuild/bazel • GitHub的可执行文件放到/usr/bin目录下。
这里使用bazel-4.1.0版本，更高版本可能存在编译问题。下
订阅专栏 解锁全文
扫一扫
686
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
