Jetson Nano使用tensorrt部署resnet18进行分类

最新推荐文章于 2025-04-16 00:19:37 发布
最新推荐文章于 2025-04-16 00:19:37 发布
阅读量2.1k 收藏 15
点赞数 1
分类专栏： python-opencv 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiao__run/article/details/118156890
版权
图像处理 同时被 2 个专栏收录
65 篇文章 ¥9.90 ¥99.00
订阅专栏
python-opencv
57 篇文章 ¥19.90 ¥99.00
订阅专栏
本文介绍了如何在Jetson Nano上使用TensorRT将预训练的ResNet18模型转换为engine文件，用于农作物病虫害的实时检测。通过PyTorch训练和测试模型，然后将模型转换为适用于Jetson Nano的TensorRT格式，最后在海康摄像头的视频流中进行推理，推断时间约为20ms。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

  • 前言
  • 一、pytorch训练数据、测试
  • 二、转换成tensorrt模型engine
    • 1.模型转换
    • 2.接摄像头模型测试
    • 3.使用python对海康摄像头进行测试
  • 总结

前言


       最近接到有个目标分类的需求，需要使用jetson-nano海康摄像头针对在大规模农业种植中传统人工农作物病虫害预防和治理上存在的问题同，应用深度学习算法来进行农作物病虫害的检测，对农作物荧光图片进行病害识别检测，包含多个农作物物种。采用目前流行的深度网络结构，如深度神经网络图像进行特征抽取，采用交叉熵和正则化项组成损失函数进行反向传播调整,对数据集进行不同情况的划分；并且使用迁移训练训练方式，最终达到根据摄像头采集的荧光照片能够分析

了解本专栏 订阅专栏 解锁全文
TensorRT+图像分类：采用ResNet18预训练权重图像分类---部署
qianxun
02-17 1467
上一篇我们写到了自己手动搭建ResNet18网络进行了图像分类训练，对猫狗进行分类，现在我们是用TensorRT API进行部署。 目录 1、ResNet18介绍 2、TensorRT 2.1 权重获取 2.2 ResNet.cpp 3.结果 1、ResNet18介绍 ResNet是一种基于跳跃连接的深度残差网络算法。根据该算法提出了18层、34层、50层、101层、152层的ResNet-18、ResNet-34、ResNet-50、ResNet-101和、ResNet-152等模型，..
TensorRT+图像分类：采用ResNet18预训练权重图像分类---训练
qianxun
02-17 1135
前面我们介绍了基于手写AlexNet网络得图像分类模型得训练以及相应得TensorRT部署，但是有时候自己搭建网络可能使我们更加深入得理解网络但是训练太慢，所以更多的时候我们采用的是预训练模型。 TensorRT+图像分类：手动搭建AlexNet得图像分类---训练_zhangdaoliang1的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/122982620TensorRT+图像分类：手动搭建AlexNet得图像分类---部署
在 Jetson Nano 上部署预训练模型
HyperAI超神经
03-20 858
此教程介绍如何用 Relay 编译 ResNet 模型，并将其部署到 Jetson Nano。
C++ 插入排序法 stl实现
一直在改错的蓝熊猫
04-08 714
// insertsort.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。 // #include "pch.h" #include <iostream> #include <vector> using namespace std; void insertSort(vector<int> &b, int n) { f...
边缘计算场景下的模型轻量化：TensorRT部署YOLOv7的端到端优化指南
最新发布
像风一样自由
04-16 1402
在边缘设备（如Jetson系列）部署YOLOv7需兼顾模型精度、推理速度与功耗限制三重约束。TensorRT作为NVIDIA官方推理加速库，通过算子融合、量化压缩和内存复用等优化技术，可将模型推理速度提升2-5倍‌。
tensorRT部署resnet网络Python、c++源码
08-18
tensorRT部署resnet网络 包括onnx文件生成， 及推理引擎生成， 利用推理引擎推理 环境配置 使用TensorRT来加速部署图片分类项目，此文档中包含全部 软件及依赖库 在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 7.6.5 , VS2017 , OpenCV 3.4.0 , Anaconda3 , CMake 3.19.4 , TensorRT 8.0 ，代码附详细解释
jetson nano上使用jetson-inference进行简单的神经网络分类训练
wanlong_peng的博客
04-17 4879
jetson nano上使用jetson-inference进行机器学习和深度神经网络分类训练jetson nano开发板上进行一个简单的分类训练1、jetson-推理库的下载编译以及简单使用2、jetson nano上实现迁移学习训练（1）为jetson nano创建交换空间以转移训练（2）创建文件及标签（3）数据集的采集（4）开始进行迁移训练（5）导出训练成功的模型3、测试训练结果 jetson nano开发板上进行一个简单的分类训练 1、jetson-推理库的下载编译以及简单使用 此处请参考： Git
TensorRT-classification:Jetson Nano的TensorRT
04-03
TensorRT分类 Jetson Nano的TensorRT
tensorRT部署分类网络resnet与性能验证教程(C++)
weixin_38252409的博客
04-19 3002
本文通过分类网络验证基于onnx构建network和基于wts构建network方式，使用tensorrt推理存在的性能区别。为此，本文内容主要分为六个，第一个内容介绍使用python构建网络，获取pt/wts/onnx文件；第二个内容介绍基于C++ API构建engine；第三个内容介绍基于C++使用onnx构建engine；第四个内容介绍windows性能及linux性能；第五个内容介绍验证；第六个内容介绍如何在Linux环境下编译engine且运行。
深度学习模型部署TensorRT加速（七）：TensorRT部署图像分类模型
chenhaogu的博客
09-07 864
准备阶段环境设置：确保已经安装了 TensorRT、CUDA 和其他必要的依赖。模型转换：如果模型不是 ONNX 格式，需要将其转换为 ONNX 格式。许多深度学习框架（如 PyTorch、TensorFlow）都提供了工具或方法来进行这一转换。部署阶段加载 ONNX 模型：使用 TensorRT 的 API 加载 ONNX /WTS格式的模型。优化模型：TensorRT 会对模型进行一系列优化，以提高推理速度。这通常包括层融合、精度调整等。生成引擎。
Jetson Nano上的TensorRT分类优化指南
例如，通过TensorRT优化后的ResNet-50模型，在Jetson Nano上进行图像分类任务时，相比于优化前的模型，可以实现更快的推理速度和更低的延迟。 ### 详细解释 TensorRT是一个高效且易用的推理引擎，它特别适合于需要...
jetson nano torch1.7.0 torchvision 0.8.0
11-13
标题中的"jetson nano torch1.7.0 torchvision 0.8.0"指的是在Jetson Nano这款嵌入式计算平台上安装PyTorch 1.7.0...通过安装这些库，用户可以利用Jetson Nano的计算能力来构建、训练和部署各种复杂的神经网络模型。
TensorRT_quantization_demo_cifar10:该演示旨在展示如何构建Resnet18 TensorRT int8引擎。 并演示校准数据集的大小如何影响最终精度
04-19
TensorRT_quantization_demo_cifar10 该演示旨在展示如何为cifar10分类任务构建TensorRT INT8引擎。 它还证明了校准数据集的大小如何影响量化后的最终精度。 基本代码来自TensorRT python示例之一： 。 为了演示int8量化后校准数据集的大小如何影响准确性，将mnist数据集更改为cifar10数据集，并将LeNet更改为ResNet18。 ResNet18 onnx模型来自的回购。 逐步运行 pip install -r requirements.txt 您需要将ONNX_PATH （sample.py中的123行）更改为您自己的路径，在其中保存resnet18.onnx 。 您需要将cifar10_data_path （sample.py中的第124行）更改为您自己的路径，在其中保存cifar10测试数据test_ba
模型部署｜ResNet_ibn基于TensorRT FP32生成Engnie文件的C++工程
迈微AI研习社 · 号主
09-28 530
#TensorRT模型部署# ResNet_ibn基于TensorRT FP32生成Engnie文件的C++工程，Linux运行，可自行修改到win下使用，推理代码可自行根据自己的实际情况书写，需要的小伙伴自取哈。图片为执行步骤和代码中文注释界面。
深度学习模型部署TensorRT加速（五）：TensorRT部署流程及基本使用
chenhaogu的博客
09-06 5224
目录篇章五：TensorRT的应用场景及部署模块应用一、TensorRT 部署流程：二、构建ResNet 模型部署及推理PS:纯粹为学习分享经验，不参与商用价值运作，若有侵权请及时联系！！！下一篇内容预告：深度学习模型部署TensorRT加速（六）：TensorRT部署自定义CNN模型深度学习模型部署TensorRT加速（七）：TensorRT部署一个图像分类模型深度学习模型部署TensorRT加速（八）：TensorRT部署目标检测YOLO模型回顾：深度学习模型部署TensorRT加速（三）： Tenso
jetson nano（B01）配置pytorch和torchvision环境+tensorrtx模型转换+Deepstream部署yolov5（亲测可用）
戚晨夕的博客
10-29 3880
jetson nano（B01）配置pytorch和torchvision环境+tensorrtx模型转换+Deepstream部署yolov5（亲测可用） 前言 因为一次比赛接触到了jetson nano,需要使用pycharm训练自己的模型加上yolov5进行目标检测，并部署到jetson nano上,直到比赛结束也没有搞出来，后来jetson nano开始吃灰，后来因为大创需要重新开始了我的yolov5部署之路。网上资料断断续续，不是太清晰，也有太多的坑和bug，在环境配置中跌跌撞撞好几天，最后实现了
Nvidia Jetson-Inference：ResNet-101视觉任务实战包
weixin_28729843的博客
09-14 1570
本文还有配套的精品资源，点击获取 简介：Nvidia Jetson-Inference是专为嵌入式AI设计的软件包，优化于Nvidia Jetson系列开发板，提供深度学习推理工具和API。"Hello AI World Networks Packages"是入门示例集合，包含预训练模型如ResNet-101的快速实践。ResNet-101通过"残差块"设计解决了深度网络的...
tensorRT部署实战——分类器
qq_41389330的博客
08-22 1654
tensorRT部署实例——resnet分类器
Jetson nano实战系列:基于dlib中ResNet深度残差网络实现人脸识别并使用GPU加速
菠萝菠萝哒X
12-31 3166
Jetson nano实战系列:基于dlib中ResNet深度残差网络实现人脸识别
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xiao__run

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值