目录jetsonnano环境配置+yolov5部署+tensorRT加速模型致谢主机和jetsonnano环境jetson系统开机烧录、系统设置、换源python环境配置conda环境yolov5环境matplotlib和opencv-pythontensorRT加速JetsonNano的conda虚拟环境中使用TensorRT建立软链接查看版本运行export.py和detect.py其他错误KeyError:'names'总结其他可能有用的参考文章图片展示jetsonnano环境配置+yolov5部署+tensorRT加速模型断断续续地前后花了一个多星期配置环境以及部署模型，期间也报了无数
目录jetsonnano环境配置+yolov5部署+tensorRT加速模型致谢主机和jetsonnano环境jetson系统开机烧录、系统设置、换源python环境配置conda环境yolov5环境matplotlib和opencv-pythontensorRT加速JetsonNano的conda虚拟环境中使用TensorRT建立软链接查看版本运行export.py和detect.py其他错误KeyError:'names'总结其他可能有用的参考文章图片展示jetsonnano环境配置+yolov5部署+tensorRT加速模型断断续续地前后花了一个多星期配置环境以及部署模型，期间也报了无数
1.实战部分1.1具体操作其实和之前的deepsort没差到github上下载Yolov5_StrongSORT_OSNet下载对应的yolov5去替代原文件中yolov5下载yolov5权重（可以自动下载）和ReID权重（可能要科学上网）放到weight里面ReID权重有点神秘，给的是需要科学上网才能下载的，下载之后发现是pth，好像是会格式不对应默认的osnet_x0_25_msmt17.pt也给到你们：链接：https://pan.baidu.com/s/1RlB1oeiOQ7Le3XFd_QhmAg?pwd=nlsh提取码：nlsh或者是到csdn这里去下载把一些没法自动下载的疯狂报错
1.实战部分1.1具体操作其实和之前的deepsort没差到github上下载Yolov5_StrongSORT_OSNet下载对应的yolov5去替代原文件中yolov5下载yolov5权重（可以自动下载）和ReID权重（可能要科学上网）放到weight里面ReID权重有点神秘，给的是需要科学上网才能下载的，下载之后发现是pth，好像是会格式不对应默认的osnet_x0_25_msmt17.pt也给到你们：链接：https://pan.baidu.com/s/1RlB1oeiOQ7Le3XFd_QhmAg?pwd=nlsh提取码：nlsh或者是到csdn这里去下载把一些没法自动下载的疯狂报错
环境：yolov55.0电脑：戴尔笔记本当你用requirement下载好yolov5的对应的包后就需要使用detect去检测图片了。在5.0版本中，detect要修改的部分主要是以下部分其中第一条是你的模型可以自己训练也可以用它本身自带的。我们主要看第二条。将default改为’0’使用摄像头。一般笔记本默认的是内置摄像头即使接上usb摄像头也只有内置摄像头的图像进入设备管理器右键禁用内置摄像头如果接入usb摄像头这里也会显示出usb，确保内置摄像头被禁用而usb摄像头被启用即可调用usb摄像头。
目录一、任务介绍二、实验过程2.1使用正确版本的yolov5进行训练(平台：x86机器windows系统)2.2best.pt转换为best.onnx（平台：x86机器window系统）2.3best.onnx转换为best.rknn（平台：x86机器Linux系统）2.3.1环境准备和工具包安装2.3.2onnx转换为rknn2.4RK3588部署rknn实现NPU加速（平台：aarch板子Linux系统）三、总结一、任务介绍 瑞芯微RK3588是一款搭载了NPU的国产开发板。NPU（neural-networkprocessingunits）可以说是为了嵌入式神经网络和边缘计
目录一、任务介绍二、实验过程2.1使用正确版本的yolov5进行训练(平台：x86机器windows系统)2.2best.pt转换为best.onnx（平台：x86机器window系统）2.3best.onnx转换为best.rknn（平台：x86机器Linux系统）2.3.1环境准备和工具包安装2.3.2onnx转换为rknn2.4RK3588部署rknn实现NPU加速（平台：aarch板子Linux系统）三、总结一、任务介绍 瑞芯微RK3588是一款搭载了NPU的国产开发板。NPU（neural-networkprocessingunits）可以说是为了嵌入式神经网络和边缘计
一、前言 由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。 本文根据SimDR工程实现视频关键点检测。SimDR根据HRnet改进而来，整个工程既包括HRnet又包括改进后的算法，使用起来较为方便，而且本文仅在cpu上就可以跑通整个工程。二、环境配置 python的环境主要就是按照工程中SimDR与yolov5的requirement.txt安装即可。总之缺啥装啥。三、工程准
一、前言 由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。 本文根据SimDR工程实现视频关键点检测。SimDR根据HRnet改进而来，整个工程既包括HRnet又包括改进后的算法，使用起来较为方便，而且本文仅在cpu上就可以跑通整个工程。二、环境配置 python的环境主要就是按照工程中SimDR与yolov5的requirement.txt安装即可。总之缺啥装啥。三、工程准
文章目录前引🚀YOLOv5-6.x源码分析（一）----detect.py1.导入需要的包2.执行main函数3.设置opt参数4.执行run函数4.1初始化一些配置4.2载入模型4.3加载数据4.4推理部分4.4.1热身部分4.4.2对每张图片/视频进行前向推理4.4.3NMS后处理除去多余的框4.4.4预测过程4.4.5打印目标检测结果前引这算是我的第一个正式博客文章吧，在准备动手写内容的时候，都有点无从下手的感觉。anyway，以后应该会写的越来越娴熟的。YOLO系列我已经用了接近一年了吧，从去年暑假开始学习，打算入坑深度学习，其中跑过demo，自己用Flask搭配YOLOv5写过网页端
