weixin_41012399的博客

hyperlpr两种车牌识别模型：有gru单元，无gru单元。一：有gru单元的，h5转onnxnx上部署：onnx转engine时报错：[2022-04-21 11:35:36][error][trt_builder.cpp:30]:NVInfer: /data/tmp-0121/sdk_0323/lpr/src/tensorRT/onnx_parser/ModelImporter.cpp:739: --- End node ---[2022-04-21 11:35:36][error][tr

yolov5：yolov5-face：https://github.com/deepcam-cn/yolov5-face推理时间：

参考：https://blog.youkuaiyun.com/afei__/article/details/81201039注1：在cmake语法中，link_libraries和target_link_libraries是很重要的两个链接库的方式，虽然写法上很相似，但是功能上的区别：link_libraries用在add_executable之前，target_link_libraries用在add_executable之后；link_libraries用来链接静态库，target_link_libraries用来

一、pth导出onnx# import torch# import torchvision## dummy_input = torch.randn(1, 3, 94, 24, device='cuda')# model = torch.load("./weights/Final_LPRNet_model_down.pth")## input_names = ["input_1"]# output_names = ["output_1"]## torch.onnx.export(model

参考：https://github.com/szad670401/HyperLPR提供yolov3车牌检测和车牌识别。需要安装caffe，而且训练工程没有开源，只知道模型结构，但是不知道训练中的激活函数和损失函数等。参考：https://blog.youkuaiyun.com/huangyiping12345/article/details/102678228...

1.多任务分类训练，参考：https://blog.youkuaiyun.com/qq_36107350/article/details/1009853932.模型转化，.pt转.onnximport cv2import numpy as npimport torchimport torch.nn as nnimport mathfrom PIL import Imagefrom torch.autograd import Variabledef conv3x3(in_planes, out_pl

代码：https://github.com/shouxieai/tensorRT_Pro运行环境：nvidia nxcd tensorRT_Pro-main/sudo make yolo -j8sudo vim Makefile 报错protobuf，opencv，cudnn等未正确配置。解决：1.安装protobuf-3.11.4sudo unzip protobuf-cpp-3.11.4.zip cd protobuf-3.11.4/sudo ./autogen.sh sudo

一、训练工程1.https://github.com/davidsandberg/facenet，训练得到.meta2.参考工程：https://github.com/nyoki-mtl/keras-facenet把meta转成.h53.参考工程：https://github.com/shubham-shahh/mtcnn_facenet_cpp_tensorRT/tree/develop把.h5转化成pb，再转化成onnx.二、nx上部署参考：deepdtream5.0+yolo+fa

用mtcnn作为主检测器，进行人脸检测，再送入facenet进行特征入库。部分代码：#define IMAGE_PATH "/opt/nvidia/deepstream/deepstream-6.0/sources/apps/sample_apps/deepstream-infer-tensor-meta-test/diku_img/WechatIMG%02d.jpeg"std::fstream write;static GstPadProbeReturnsgie_pad_buffer_probe

方法一：deepstream是基于gstreamer开发的，所以gstreamer的插件都可以用。从gstreamer官网查找（plugins）：https://gstreamer.freedesktop.org/documentation/multifile/multifilesrc.html?gi-language=c方法二：在nx上查找，gst-inspect-1.0...

1.分析官方模型和deepstream sdk给出的结果，打算自己跑一下测试效率。只运行trafficcamnet一个模型（4类）https://catalog.ngc.nvidia.com/orgs/nvidia/teams/tao/models/trafficcamnet不知道在nx上这个340fps是怎么跑出来的。按照提供的方式运行deepstream-app -c deepstream_app_source1_trafficcamnet.txt（运行步骤在/opt/nvidia/deep

/opt/nvidia/deepstream/deepstream-6.0/sources/gst-plugins/gst-nvinfer/gstnvinfer.cppstatic GstFlowReturngst_nvinfer_process_full_frame (GstNvInfer * nvinfer, GstBuffer * inbuf, NvBufSurface * in_surf){ NvOSD_RectParams rect_params; NvDsBatchMeta

参考：https://yeping.blog.youkuaiyun.com/article/details/116563437?spm=1001.2014.3001.55021.下载代码，生成插件模版git clone https://gitlab.freedesktop.org/gstreamer/gst-template.gitcd gst-template/gst-plugin/src../tools/make_element MyFilter2.安装meson buildsudo apt inst

参考：https://www.163.com/dy/article/GEPV244F0552BFKV.htmlDeepStream 支持 IOU、KLT 与 NVDCF 三种目标追踪算法（如下图），其中 IOU 的性能最好，在 Jetson Nano 2GB 上的总体大约能到 200FPS；NVDCF 的精确度最高，但目前性能大约只能到 56FPS；KLT 算法目前在性能与精确度的平衡比较好，总体性也能到 160FPS，因此通常都选择 KLT 追踪器做演示。[tracker]enable=1# Fo

1.在本地pc配置环境：https://blog.youkuaiyun.com/weixin_30764771/article/details/99831184?spm=1001.2101.3001.6650.4&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-4.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-t

方法一：yolo+facenet参考：方法二：mtcnn+facenet参考：

1.拉多路rtsp流，一路视频断了，没一会整个程序就崩了。解决，添加pad-removed属性：static voidcb_newpad4 (GstElement * decodebin, GstPad * pad, gpointer data){ NvDsSrcBin *bin = (NvDsSrcBin *) data; GstPad *sinkpad = gst_element_get_static_pad (bin->depay, "sink"); if (gst_pad_

模型为：2个一级检测器，7个二级检测器。涉及的技术：obj检测，关键点检测，人脸识别一.rtsp流的延时问题模型多，视频流多导致处理不过来，产生延时问题。处理延时问题两个思路：代码优化；设置丢帧。1.设置丢帧方式参考：https://blog.youkuaiyun.com/XCCCCZ/article/details/120377817，有很多种设置丢帧的方式。有latency和drop-on-latency组合使用实现解码前丢帧: g_object_set (G_OBJECT (pipeline), "l