为了将模型部署到jetson nano当中,我们首先需要将需要转换的模型导出为onnx格式。首先,你需要下载YOLOv8的模型文件:代码点击此处跳转 由于jetson nano的GPU计算能力较弱,在这里我使用了YOLOv8n模型,并将输入图像的尺寸缩小为原来的四分之一。转换的代码如下所示:(自己随便写个脚本,运行下就ok) fromultralyticsimport...
经过努力,终于在踩过无数的坑后成功的将YOLOv8n模型下实现了在Jetson nano上的部署并使用TensorRT加速推理。模型在测试中使用CSI摄像头进行目标追踪时大概在5-12fps。需要强调的是由于Jetson nano的局限性,使得部署环境成为一大麻烦。另外,本项目使用的硬件为Jetson nano developer kit,存储为16GB EMCC,在实验中硬件...
在此之前,我已经写好了YOLOv8 + TensorRT的测试程序,所以我直接把程序拷贝过来,然后用新生成的yolov8n.engine开启YOLOv8对象检测推理,测试视频运行如下: 这里程序中FPS计算包含了前后处理,因为两个视频的分辨率不同,导致前后处理的耗时不同,对象我之前在Jetson Nano上的推理速度,我只能说太厉害了,因为我之前Python版...