jetson nano 配置pytorch和torchvision环境+tensorrt模型转换+Deepstream部署yolov5（亲测可用）

文章目录

• 前言
• yolov5是什么/li>
• 环境
• • 1.所需硬件
  • 2.软件环境
• 步骤
• • 一、烧录Jetpack 4.5.1镜像
  • 二、安装Deepstream 5.1
  • 三、安装torch环境
  • 四、将Pytorch模型转化为wts文件
  • 五、将wts文件转换为tensorrt 模型
  • 六、编译nvdsinfer_custom_impl_Yolo文件
  • 七、测试模型
• 总结

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，最后实现了目标检测，因为踩了太多的坑，于是决定写下这篇博客记录我与jetson nano和yolov5的相爱相杀。
此篇文章并不是我的原创，是我结合csdn上许多优秀博主的github上的一些优秀资源写下来的。链接我放在了最后，再次感谢这些博主给予的帮助。
以下是本篇文章正文内容，希望可以帮助大家顺利打开Yolov5的大门。

yolov5是什么/h1>

YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。
然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。
YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10% 和12%，并得到了Joseph Redmon的官方认可，被认为是当前最强的实时对象检测模型之一。
正当计算机视觉的从业者们正在努力研究YOLO V4的时候，万万没想到，有牛人不服。
6月25日，Ultralytics发布了YOLOV5 的第一个正式版本，其性能与YOLO V4不相伯仲，同样也是现今最先进的对象检测技术，并在推理速度上是目前最强。

格式化之后一定要弹出U盘，在进行烧录，不要直接烧录（亲自踩坑！！）
烧录软件使用的是win32Disk

八、调用usb摄像头进行检测
修改deepstream_app_config.txt文件

运行

运行帧率大概只有5帧左右，查阅相关资料后发现pytorch模型转换不会优化jetson nano底层转换代码，我使用onnx模型转换做到了25帧左右，基本可以进行实时检测。优化算法稍后我会继续写一篇博客。

总结

现在是凌晨一点钟，我写下这篇博客是为了记录自己部署yolov5的经历与过程，希望在我之后部署yolov5进行目标检测的同学能够更加顺利，同时开启我的博客之路，以后我也会将自己学习到的一些东西写下一篇篇的博客记录下来。

以下附上各位优秀博主的链接，再次感谢你们。
(https://blog.csdn.net/qq_40305597)
(https://blog.csdn.net/IamYZD)

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能深度学习208576 人正在系统学习中

来源：我与nano