jetson-inference 模型快照下载指南：从 DIGITS 导出自定义分类网络到 Jetson 并加载入 TensorRT

人工智能计算机视觉深度学习微调【免费下载链接】jetson-inferenceHello AI World guide to deploying deep-learning inference networks and deep vision primitives with TensorRT and NVIDIA Jetson.项目地址https://gitcode.com/gh_mirrors/je/jetson-inference点击查看免费下载本指南聚焦 jetson-inference 项目 Hello AI World 系列中的关键一环把在 DIGITS 服务器上训练完成的 GoogleNet-12 等自定义分类网络以模型快照snapshot的形式下载、解压到 Jetson 设备再通过imagenet示例程序的扩展命令行参数将其加载进 TensorRT 进行推理。读完本文你将掌握快照下载/传输的标准流程、快照包的文件结构以及如何用--prototxt/--model/--labels等参数把自定义网络跑在 Jetson 上并看到对应的源码级依据。1. 前置脉络快照从哪来模型快照是整个 Training → Snapshot → TensorRT 流程的中间产物。在此之前你需要在 DIGITS 服务器上完成两件事准备数据集用 tools/imagenet-download.py 这类爬虫下载 ILSVRC12 的 1000 类图片约 100GB或用 tools/imagenet-subset.sh 把其中 230 个细分类软链接合并成ball、bear、bike、bird、bottle、cat、dog、fish、fruit、turtle、vehicle、sign共 12 个大类在 DIGITS 中训练创建GoogleNet-ILSVRC12-subset分类模型通常跑满 30 个 epoch。完整的重训练步骤见 docs/imagenet-training.md。当 DIGITS 训练任务完成、并在界面上用单张图片如/ilsvrc12/n02127052/n02127052_1203.jpg验证过推理结果例如把原 GoogleNet-1000 判为Lynx的图片被新模型正确判为cat之后就可以进入本指南的快照下载环节。2. 从 DIGITS 服务器下载模型快照2.1 浏览器下载同一网络在 Jetson 的浏览器中打开 DIGITS 服务器页面进入GoogleNet-ILSVRC12-subset模型。操作要点在Trained Models已训练模型区域从下拉框中选择想要的快照——通常选择 epoch 数最高的那个因为训练收敛更充分、分类精度通常更好点击Download Model按钮浏览器即开始下载该快照的压缩包。DIGITS 生成的快照文件名形如20170524-140310-8c0b_epoch_30.0.tar.gz其中20170524-140310-8c0b是训练任务的唯一 IDepoch_30.0表明这是第 30 个 epoch 保存的权重。2.2 跨网络传输SCP / U 盘如果 Jetson 与 DIGITS 服务器不在同一个网络、无法直接访问可以按上述步骤把快照先下载到一台中间机器再通过以下任一方式拷贝到 JetsonSCP在中间机器上执行scp 20170524-140310-8c0b_epoch_30.0.tar.gz jetson用户jetson-ip:目标目录USB 存储把压缩包拷入 U 盘再插到 Jetson 上复制。这一方式与直接下载的唯一区别是文件传输通道不同快照内容本身没有差异后续解压与加载步骤完全一致。3. 解压快照把压缩包放到 Jetson 的合适目录教程惯例放在仓库的networks/目录下例如networks/GoogleNet-ILSVRC12-subset然后在下载目录中执行解压cd directory where you downloaded the snapshot tar -xzvf 20170524-140310-8c0b_epoch_30.0.tar.gztar -xzvf会解压并显示文件清单z表示 gzip 压缩、v表示 verbose、x解压、f指定归档文件。解压后得到的是 DIGITS 导出的一套 Caffe 格式部署文件通常包含文件作用deploy.prototxt部署用网络结构描述去掉了训练层的推理版 prototxtsnapshot_iter_184080.caffemodel训练好的权重文件文件名随迭代数变化labels.txt每行一个类别名的标签文件对应 12 个重训练类别mean.binaryproto可选训练时使用的像素均值文件注DIGITS 导出的文件名中的迭代数如184080与任务训练步数相关实际以你下载的快照为准。后续加载时--model参数要指向这个.caffemodel文件。4. 将自定义快照加载进 TensorRT解压完成后即可用仓库中的imagenet示例程序把该快照编译进 TensorRT 并跑推理。仓库中对应的示例源码是 examples/imagenet/imagenet.cpp它同时支持静态图片/视频流输入imagenet程序可同时充当教程旧版imagenet-console/imagenet-camera的角色通过输入/输出 URI 区分。先设置环境变量指向快照目录再执行加载命令$ NETnetworks/GoogleNet-ILSVRC12-subset $ ./imagenet bird_0.jpg output_0.jpg \ --prototxt$NET/deploy.prototxt \ --model$NET/snapshot_iter_184080.caffemodel \ --labels$NET/labels.txt \ --input_blobdata \ --output_blobsoftmax其中bird_0.jpg位于仓库的 data/images/bird_0.jpg。各参数含义如下参数含义默认值--prototxt自定义网络的 deploy prototxt 路径仅 Caffe.caffemodel需要无--model自定义模型路径支持 caffemodel / uff / onnx无未指定时回退到googlenet等预训练模型--labels类别标签文本文件路径每行一类无--input_blob输入层 blob 名称data--output_blob输出层 blob 名称prob--threshold分类最低置信度阈值0.01--topK返回的 Top-K 预测数量imagenet程序参数1这些参数的解析逻辑在 c/imageNet.cpp 中可以看到imageNet::Create(const commandLine)先读取--network若找不到预训练模型FindModel失败则读取--prototxt、--labels、--input_blob、--output_blob并默认inputdata、outputprob再调用imageNet::Create(prototxt, model, ...)走自定义模型加载路径。完整的参数帮助串定义在 c/imageNet.h 的IMAGENET_USAGE_STRING中。注意原教程此处输出 blob 写为softmax而代码中的默认值是prob。如果你的 DIGITS 导出 prototxt 的最终层名不同请以deploy.prototxt里的实际层名为准——这就是为什么--output_blob需要显式指定。5. 验证推理结果与参数生效加载成功后程序进入与预训练模型一致的推理循环examples/imagenet/imagenet.cpp从输入流Capture一帧调用net-Classify(image, width, height, classifications, topK)得到(classID, confidence)列表再通过cudaFont把95.00% bird这样的结果叠加到输出图像上并实时显示 TensorRT 版本与网络 FPS。与原始 GoogleNet-1000 相比重训练后的 GoogleNet-12 对同样的图片会输出元类别meta-class例如把猫科动物统一判为cat、把 122 种犬种统一判为dog。这正验证了快照内容正确加载、TensorRT 引擎构建成功。imagenet程序同样支持视频流/摄像头输入把输入 URI 换成摄像头或视频文件即可见 examples/imagenet/imagenet.cpp 中videoSource::Create的用法因此自定义快照也能直接用于 imagenet-camera 场景 的实时识别。6. 流程闭环与下一步至此一条完整的自定义识别链路已经打通imagenet-subset.sh构建 12 类数据集 → DIGITS 训练GoogleNet-ILSVRC12-subset从 DIGITSTrained Models下载最高 epoch 快照跨网络用 SCP/USBtar -xzvf解压得到deploy.prototxt.caffemodellabels.txtimagenet加--prototxt/--model/--labels/--input_blob/--output_blob参数编译进 TensorRT 并推理验证。下一步可以阅读 docs/imagenet-custom.md 深入了解自定义模型的更多加载细节或转向 docs/detectnet-training.md 学习目标检测网络的训练与快照部署。若希望回看训练环节可参考 docs/imagenet-training.md。赞分享人工智能计算机视觉深度学习微调【免费下载链接】jetson-inferenceHello AI World guide to deploying deep-learning inference networks and deep vision primitives with TensorRT and NVIDIA Jetson.项目地址https://gitcode.com/gh_mirrors/je/jetson-inference点击查看免费下载相关推荐如何快速上手SocketIoClientDotNet3分钟实现实时通信功能如何快速上手SocketIoClientDotNet3分钟实现实时通信功能 SocketIoClientDotNet是一个强大的Socket.IO客户端库专人工智能计算机视觉深度学习微调告别路径困扰jetson-inference自定义模型加载全攻略告别路径困扰jetson inference自定义模型加载全攻略 jetson inference是NVIDIA Jetson设备的深度学习推理和实时视觉DN人工智能计算机视觉深度学习微调d3-delaunay 完全指南Voronoi 图与德劳内三角剖分究竟能做什么d3 delaunay 完全指南Voronoi 图与德劳内三角剖分究竟能做什么 d3 delaunay 是 D3 生态中一个专注于 几何计算 的快速库它的人工智能计算机视觉深度学习微调上一篇Cannon.js 常见问题解决方案下一篇Viz.js 开源项目入门指南与问题解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考