NVIDIA Jetson Nano學習筆記（二）:進行深度學習

1. Jetson-inference(Tensor RT)

玩转Jetson Nano（四）跑通jetson-inference

Jetson Nano配置與使用（7）Hello AI World( Inference Only)

由於全部model都在jetson-inference/build/aarch64/bin的關係，我們必須先切換至該目錄下，再執行jetson-inference的相關指令

範例有主要三項：
（1）imgenet用於圖像識別，識別出圖像為蘋果、橘子等等；
（2）detectnet用於目標檢測，標註行人、瓶子、飛機等等；
（3）segnet用於圖像、語義分割等。

#下載加編譯
cd ~
sudo apt-get install git cmake
git clone https://github.com/dusty-nv/jetson-inference
cd jetson-inference
git submodule update --init
mkdir build
cd build
cmake ../
make
sudo make install
#全部的model都在 ~/jetson-inference/build/aarch64/bin
cd ~/jetson-inference/build/aarch64/bin

ImageNet 的檢測

./imagenet-console orange_0.jpg output_0.jpg Detectnet
#偵測臉部
./detectnet-console subway.jpg subway_detect.jpg facenet

2.安裝Darknet(執行YOLOv3)

可參考之前在TX2上的測試

讓Jetson Nano可以訓練或透過Darknet推論YOLO model。

NVIDIA Jetson TX2學習筆記（三）:執行YOLOv3

$ nano ~/.bashrc
$ source ~/.bashrc
#將下列兩行加到 ~/.bashrc後方
export PATH=${PATH}:/usr/local/cuda/bin
export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:/usr/local/cuda/lib64

下載與安裝

git clone https://github.com/pjreddie/darknet
cd darknet/
nano Makefile

將Makefile中的下列參數內容更改為1

GPU=1
CUDNN=1
OPENCV=1
#更改後存檔，執行 sudo make 即完成。

3.安裝YOLO3–4-Py

如何在PYTHON程式中使用YOLO

讓Jetson Nano可透過Python在GPU推論YOLO model。

export GPU=1
pip3 install yolo34py-gpu

4.Caffe

玩轉Jetson Nano（六）安裝caffe

Jetson Nano配置與使用（6）Xshell6下caffe安裝

Caffe in Jetson Nano

#安裝依賴套件
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
 
sudo apt-get install --no-install-recommends libboost-all-dev
 
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
 
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
 
sudo apt-get install git cmake build-essential
#下載caffe
git clone https://github.com/BVLC/caffe.git
#複製Makefile.config.example成Makefile.config
cd caffe 
sudo cp Makefile.config.example Makefile.config
#修改Makefile.config
sudo nano Makefile.config
【1】将以下内容前的注释符号去掉，分别位于第5行、23行、92行；
5 USE_CUDNN := 1
23 OPENCV_VERSION := 3
92 WITH_PYTHON_LAYER := 1
【2】将第39行 CUDA_ARCH中的20、21内容去掉；
 39 CUDA_ARCH := -gencode arch=compute_30,code=sm_30 \
 40                 -gencode arch=compute_35,code=sm_35 \
 41                 -gencode arch=compute_50,code=sm_50 \
 42                 -gencode arch=compute_52,code=sm_52 \
 43                 -gencode arch=compute_60,code=sm_60 \
 44                 -gencode arch=compute_61,code=sm_61 \
 45                 -gencode arch=compute_61,code=compute_61
【3】将95、96行修改为以下内容；
95 INCLUDE_DIRS := 
$(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
96 LIBRARY_DIRS := 
$(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/aarch64-linux-gnu /usr/lib/aarch64-linux-gnu/hdf5/serial
#修改Makefile
sudo nano Makefile
【1】修改第181行为以下内容；
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
【2】修改第425行为以下内容；
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
#編譯
sudo make
#測試
進入Python環境
import caffe

5.Pytorch

#安裝pytorch
mkdir pytorch
wget https://nvidia.box.com/shared/static/j2dn48btaxosqp0zremqqm8pjelriyvs.whl -O torch-1.1.0-cp36-cp36m-linux_aarch64.whl
sudo pip3 install torch-1.1.0-cp36-cp36m-linux_aarch64.whl
#測試
import torch
#安裝torchvision
sudo apt-get install libjpeg-dev zlib1g-dev
git clone -b v0.3.0 https://github.com/pytorch/vision torchvision
cd torchvision 
sudo python3 setup.py install
#測試
import torchvision