TX2+TensorRT+DIGITS实现图像的识别、检测和分割---3---图像识别（二）

Testing Classification Model in DIGITS

TensorRT下载地址：https://developer.nvidia.com/nvidia-tensorrt-download
TesnsoRT介绍文档：https://devblogs.nvidia.com/tensorrt-3-faster-tensorflow-inference/
TensorRT开发者指南：http://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html
TensorRT样例代码：http://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#samples

在训练了30个epochs之后，您将看到下面的界面：

这时，我们可以尝试利用我们的模型测试一下。在刚才训练好的模型的页面下面，有一个Test a single image,在Image Path中，输入您要测试的路径（在我们的例子里面，我输入的是/ilsvrc12/n02127052/n02127052_1203.jpg）。

点击Classify One 按钮，然后你就会看到下面这样的结果：

利用我们训练的GoogleNet-12的模型识别这张图片是一只猫，原来1000类的分类中，它是一只猞猁。这样就说明我们训练的模型是ok的，因为猞猁在12类的GoogleNet中被分到了猫的类别中。

Downloading Model Snapshot to Jetson

现在，我们确定了我们训练的模型可以正常工作了，接下来我们要把它下载并解压到Jetson中。通过你TX1/TX2上面的浏览器，访问DIGITS服务器，选择GoogleNet-ILSVRC12-subset 模型，点击下载模型。

如果你的Jetson和DIGITS服务器没法直接访问，你可以把模型下载到本地，然后通过SCP和USB来将模型拷贝到Jetson中。

然后解压：

tar -xzvf 20170524-140310-8c0b_epoch_30.0.tar.gz

接下来我们会加载我们训练好的模型到TensorRT，并且在Jetson上运行。

Loading Custom Models on Jetson

imagenet-console 和 imagenet-camera程序可以通过扩展命令行参数来加载模型。我们可以设置$NET 变量到你的模型地址：

$ NET=networks/GoogleNet-ILSVRC12-subset$ ./imagenet-console bird_0.jpg output_0.jpg \
--prototxt=$NET/deploy.prototxt \
--model=$NET/snapshot_iter_184080.caffemodel \
--labels=$NET/labels.txt \
--input_blob=data \
--output_blob=softmax

在以前，识别类别和置信值将会水印到输出图片上。下面展示了1000类的GoogleNet和12类的GoogleNet的识别结果：

上面的命令同样适合于imagenet-camera.

Locating Object Coordinates using DetectNet

之前的图像识别的例子，输出的是整张图片的类别概率。第二种我们教程中重点讲述的深度学习的能力是目标检测，找到目标在画面中的位置（画出每一个目标的框框）。这个是利用detectNet或者目标检测/定位网络。

detectNet的输入是一个二维图片，输出是一个检测目标的列表。要训练一个目标检测的模型，首先要预训练一个识别模型，除了图像数据集之外，还要有一个带边界框标识的训练数据集（ImageSet with bounding box labels）

在这个教程中，预训练模型包括：

ped-100 (single-class pedestrian detector)
multiped-500 (multi-class pedestrian + baggage detector)
facenet-120 (single-class facial recognition detector)
coco-airplane (MS COCO airplane class)
coco-bottle (MS COCO bottle class)
coco-chair (MS COCO chair class)
coco-dog (MS COCO dog class)

就像之前的例子一样，这里我业提供了单张图片和基于视频流的检测的命令行程序。

Detection Data Formatting in DIGITS

目标检测的离子的数据集包括KITTI, MS-COCO等等。用KITTI数据集可以查看这里

不管数据是什么样，DIGITS会用KITTI的数据格式来获取目标检测的框架标签。这些都是有文本文件组成，包括帧号对应的图像文件名，就想下下面这样：

dog 0 0 0 528.63 315.22 569.09 354.18 0 0 0 0 0 0 0
sheep 0 0 0 235.28 300.59 270.52 346.55 0 0 0 0 0 0 0

您可以在这里查看DIGITS用到的文件结构和KITTI标签的格式

Downloading the Detection Dataset

我们可以查看这里来了解利用MS-COCO数据库来训练和部署检测日常物体的网络模型。参见coco2kitti.py脚本将ms-coco对象类转换为Kitti格式。如果变成DIGITS的文件格式，他们就可以在DIGITS里面直接引用。对于样例中，数据格式已经处理过了，已经将数据转化成DIGITS/KITTI的格式。

在您的DIGITS服务器对上，打开一个终端，利用下面的命令，下载解压sample MS-COCO classes 数据：

$ wget --no-check-certificate https://nvidia.box.com/shared/static/tdrvaw3fd2cwst2zu2jsi0u43vzk8ecu.gz -O coco.tar.gzHTTP request sent, awaiting response... 200 OK
Length: 5140413391 (4.5G) [application/octet-stream]
Saving to: ‘coco.tar.gz’coco 100%[======================================>]   4.5G  3.33MB/s    in 28m 22s 2017-04-17 10:41:19 (2.5 MB/s) - ‘coco.tar.gz’ saved [5140413391/5140413391]$ tar -xzvf coco.tar.gz

这些DIGITS上的数据包括了飞机，瓶子，椅子和狗的类别。 coco2kitti.py可以用来转换其他类别。

Importing the Detection Dataset into DIGITS

通过浏览器访问你的DIGITS服务器，选择在New Dataset中选择Object Detection。

在接下来的表单中，按照下面的内容修改您的参数：

• Training image folder: coco/train/images/dog
• Training label folder: coco/train/labels/dog
• Validation image folder: coco/val/images/dog
• Validation label folder: coco/val/labels/dog
• Pad image (Width x Height): 640 x 640
• Custom classes: dontcare, dog
• Group Name: MS-COCO
• Dataset Name: coco-dog

在最下面，给您的数据库起一个名字，然后点击Create按钮。接下来，我们将创建一个新的检测模型，并且开始训练。

TX2+TensorRT+DIGITS实现图像的识别、检测和分割---3---图像识别（二）相关推荐

TX2+TensorRT+DIGITS实现图像的识别、检测和分割---1---Jetson配置
DIGITS Workflow 如果您是深度神经网络的新手,您可以查看这个教程,了解更多关于训练和推演的内容. TensorRT下载地址:https://developer.nvidia.com/nv ...
图像数字识别、数字分割（OCR识别，毕业设计）
基本图像处理流程这是我在测试图像处理中使用的原始图像.它有一些眩光点,但是图像相当干净.让我们逐步完成获取此源图像的过程,并尝试将其分解为单个数字. 影像准备在开始图像处理流程之前,我们决定先调整 ...
皮带跑偏识别检测 YOLO深度学习
皮带跑偏识别检测基于YOLO算法图像识别对皮带运行状态进行全天候实时监测.YOLO是一个聪明的卷积神经网络(CNN),用于实时进行目标检测.该算法将单个神经网络应用于完整的图像,然后将图像划分为多个区 ...
计算机视觉、图像分类、目标检测、人脸比对、人脸识别、语义分割、实例分割、图像搜索
计算机视觉.图像分类.目标检测.人脸比对.人脸识别.语义分割.实例分割.图像搜索目录
SAR图像飞机目标检测识别进展
目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题.机场上飞机作为一种典型目标,其检测与识别具有一定的独特性.在检测与识别的过程中,如何将深度学习和目标电磁散射机理结合.提高网络或模型的泛化能 ...
基于yolov3的行人目标检测算法在图像和视频中识别检测
资源下载地址:https://download.csdn.net/download/sheziqiong/85772186 资源下载地址:https://download.csdn.net/downl ...
Python实现条码识别：从图像中自动检测和识别条形码
Python实现条码识别:从图像中自动检测和识别条形码在现代零售业中,条形码是一项必不可少的技术.它们提供了一种快速.准确和可靠的方法来追踪和管理库存.随着计算机视觉技术的发展,我们可以利用Pyth ...
JavaCV进阶opencv图像检测识别：ffmpeg视频图像画面人脸检测
JavaCV免费教程目录: JavaCV入门教程(免费JavaCV教程) javacv实战专栏目录(2016年更新至今): JavaCV实战专栏文章目录(2016年更新至今) 2022年最新JavaC ...
端到端伪激光图像3D目标检测
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文由博主:流浪机器人授权转载,二次转载请联系原作者原文地址: ...

TX2+TensorRT+DIGITS实现图像的识别、检测和分割---3---图像识别（二）

TX2+TensorRT+DIGITS实现图像的识别、检测和分割---3---图像识别（二）相关推荐

最新文章

热门文章