命令记录xxxxxxxxx

RDKnight

已于 2024-03-10 23:11:57 修改

阅读量231

点赞数

文章标签：嵌入式硬件

于 2023-05-25 17:30:50 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_42875066/article/details/129600472

版权

文章详细阐述了使用Nanodet和PaddleDetection框架进行目标检测模型的训练、测试、量化评估以及优化的过程，包括ONNX导出、后训练量化、PaddleLite优化和Docker容器的操作。同时提到了VisualDL的使用来监控训练过程，并展示了如何进行覆盖率仿真测试。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

有关nanodet的命令
推理

python demo/demo.py --config config/nanodet-plus-m_320.yml --model workspace/nanodet-plus-m_320_aluminum/model_best/model_best.ckpt --path 1.jpg --save_result

训练

python tools/train.py config/nanodet-plus-m_320.yml

测试

python tools/test.py --task val --config config/nanodet-plus-m_320.yml --model workspace/nanodet-plus-m_320_aluminum/model_best/model_best.ckpt

export

python tools/export_onnx.py --cfg_path config/nanodet-plus-m_320.yml --model_path /home/zyl/nanodet/workspace/nanodet-plus-competiton/model_best/model_best.ckpt --out_path output/onnx_model

有关paddledetection的命令
后训练量化评估

python tools/eval_postquant.py --config_path configs/datasets/ptq.yml

x2paddle

x2paddle --framework=onnx --model=0.5x_model.onnx --save_dir=model_output/nanodet_0.5x

后训练量化

python tools/quant_post_static.py --config_path configs/datasets/ptq.yml --save_dir save_path/ppyolo_tiny

opt工具

./build.opt/lite/api/opt --model_dir=/home/zyl/pddect/PaddleDetection/save_path/nanodet_0.5x --optimize_out_type=naive_buffer --optimize_out=/home/zyl/pddect/PaddleDetection/save_path/nanodet_0.5x/iso --valid_targets=intel_fpga,arm

./opt --model_file=/home/zyl/pddect/PaddleDetection/save_path/quantized_model/__model__ --param_file=/home/zyl/pddect/PaddleDetection/save_path/quantized_model/__params__ --optimize_out_type=naive_buffer --optimize_out=nanodet_quant --valid_targets=intel_fpga,arm

训练

python tools/train.py -c configs/ppyolo/ppyolo_tiny_650e_coco.yml --eval
python -m paddle.distributed.launch --selected_gpus 1 tools/train.py -c configs/ssd/ssd_mobilenet_v1_300_120e_voc.yml --eval --use_vdl True --vdl_log_dir vdl_log_dir/quant_ssd_1.0backbone_dataup --slim_config myconfig/ssd_mobilenet_v1_qat.yml

评估

python tools/eval.py -c configs/ssd/ssdlite_mobilenet_v1_300_coco.yml -o weights=output/ssdlite_mobilenet_v1_300
_coco/1652.pdparams

推理

python tools/infer.py --infer_dir test_data --output_dir test_data_out

导出模型

python tools/export_model.py --output_dir model_output --slim_config configs/slim/quant/ssd_mobilenet_v1_qat.yml --config=configs/ssd/ssd_mobilenet_v1_300_120e_voc.yml

有关visualDL的命令

visualdl --logdir ./vdl_log_dir/scalar --port 8080

打开localhost:8080就可以看到数据

有关questa的命令
带着覆盖率仿真

vsim -i -classdebug -solvefaildebug -coverage -coverstore ./examples -testname mcdf_full_random_test -sv_seed random +TESTNAME=mcdf_full_random_test -l mcdf_full_random_test.log work.tb

合并覆盖率

vcover merge -out merged_coverage.ucdb ./examples

docker有关

Docker 以 ubuntu15.10 镜像创建一个新容器，然后在容器里执行 bin/echo “Hello world”，然后输出结果。

docker run ubuntu:15.10 /bin/echo "Hello world"

进入容器终端

docker run -i -t ubuntu:15.10 /bin/bash

退出

exit

查看docker存在的镜像

sudo docker images

常用指令

# 退出容器但不停止/关闭容器：键盘同时按住三个键：CTRL + q + p

# 启动停止的容器
docker start <container-name>

# 从shell进入已启动的容器
docker attach <container-name>

# 停止正在运行的Docker容器
docker stop <container-name>

# 重新启动正在运行的Docker容器
docker restart <container-name>

# 删除Docker容器
docker rm <container-name>

paddlelite
opt工具转化
运行路径model

paddle_lite_opt --model_file=./pd_model/inference_model/model.pdmodel --param_file=./pd_model/inference_model/model.pdiparams --valid_targets=x86 --optimize_out=./model_opt --print_model_ops=true --optimize_out_type naive_buffer