yolo--darknet2TensorRT

1、获取转换工具:

        github地址：

tensorrt_inference/Yolov4 at master · linghu8812/tensorrt_inference · GitHub

2、darknet 转换 onnx

python3 export_onnx.py --cfg_file cfg/yolov3-tiny.cfg --weights_file yolov3-tiny.weights --output_file yolov3-tiny.onnx --strides 32 16 --neck FPN

其中：--cfg_file  --weights_file 后面跟自己训练好的配置和模型   --output_file指定生成文件目录。

3、修改config.yam文件。将里面的内容替换为自己的路径和参数。

mkdir build && cd build
cmake ..
make

tip:      

        pip install --upgrade onnx

        pip install --upgrade protobuf

        pip install pillow

        sudo apt  install protobuf-compiler

1、获取转换工具:

git clone https://github.com/wang-xinyu/tensorrtx.git

git clone -b archive https://github.com/ultralytics/yolov3.git

pip install -r requirements.txt

2、进入yolov3路径下，生成wts

python gen_wts.py yolov3-tiny.weights

3、生成.engine (可在jetson设备上执行)

        将第二步生成的wts文件放到tensorrtx/yolov3-tiny/

        修改yololayer.h  line13

        CLASS_NUM 

        INPUT_H        

        INPUT_W        等几个参数。

mkdir build
cd build
cmake ..
make
sudo ./yolov3-tiny -s

4、验证

./yolov3-tiny -d ../samples

5、部署到deepstream。

        对于jetson-nano--jetson-tx2等不支持int8的，到这一步已经完成。可以在deepstream中使用

        对于jetson nx jetson xavier 等支持Int8的，将engine文件转换成Int8可以提高效率。