XCCCCZ的博客

还是以onnx为例，执行下面的命令解析onnx生成engine并推理输出结果到一个json文件:./trtexec --onnx=efficientdet-d0-s.onnx --loadInputs='data':o4_clip-1_raw_data.bin --saveEngine=efficientdet-d0-s.engine --exportOutput=trtexec-result.json这个--exportOutput指定的json文件里保存的是network的输出节点的数据，对

安装TensorRT后，进入到/usr/src/tensorrt/bin目录下，可以看到有个trtexec二进制可执行文件，执行 ./trtexec --help可以看到命令行支持的所有参数项:=== Model Options === --uff=<file> UFF model --onnx=<file> ONNX model --model=<file> Caffe

目标检测模型的发布论文一般给出了基于VOC或COCO等数据集的AP和AR等指标值，这个可以作为比较选择模型的一个参考，实际效果怎么样还是得自己动手实验了才知道真实效果是怎么样，最好采用需要在实际项目中应用的自己制作的同一数据集来训练和比较比较直观和有说服力。 近两个月来断断续续用一部分时间使用同一自有数据集(内有1个类别)完成了CenterNet、EfficientDet(b...

训练用的服务器的芯片一般都是X86架构的，所以可以直接从hub.docker.com上拉个安装了pytorch的镜像下来作为训练用的环境，省去了很多安装步骤，例如拉取pytorch/pytorch:1.3-cuda10.1-cudnn7-devel(注意一般不要使用runtime镜像，runtime镜像里面只安装了最小的支持环境，很多工具都没安装，devel镜像一般是比较全面的):...

按照制作支持GPU的用于部署AI模型的ARM64版docker镜像一文中的步骤制作出基础镜像并创建容器后，连到这个容器，执行下列步骤，进行支持部署EfficientDet和CenterNet模型以及mmdetection序列模型的环境的安装:1) EfficientDet apt-get update sudo apt-get install apt-file...