# deploy_jetson

**Repository Path**: iynaur/deploy_jetson

## Basic Information

- **Project Name**: deploy_jetson
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: jetson
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-02-24
- **Last Updated**: 2021-02-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# detect_v2

#### 智能监控第二版。每路算法推一个视频流，且集成了摔倒识别。

##### environment list:

python3 \
tensorflow  1.14.0 \
psutil 

##### 应用入口 
assignment.py

备注 \
20200514智能监控修改意见

 给算法提供的设备接口:
 视频设备的源视频地址:rtsp://admin:fcwl123456@192.168.1.94:554/Streaming/Channels/601
 假设为设备1,每种算法（此处算法编号为10，20）,单独一个推流地址,如下：
     安全帽检测 rtmp://127.0.0.1/live/1@10
     反光衣检测 rtmp://127.0.0.1/live/1@20
 假如没有进行任何算法配置,后台自动初始化配置,不能返回空的配置参数.


## 生成tensorrt模型
 由于tensorRT对于显卡没有普适性（看显卡算力，算力相同的不同显卡应该是可以使用同一个模型），所以每次给客户部署代码，如果显卡不同，就需要重新编译。

下面以安全帽为例，说明重新生成模型所需要的步骤：
- cd yolov5
- Choose the model s/m/l/x by `NET` macro in yolov5.cpp  （你训练出来用的那种型号的模型就改成对应的,我这里用的yolov5s,所以写s）
- Input shape defined in yololayer.h （输入，这里需要和你训练时候的分辨率一样， 默认为640）
- Number of classes defined in yololayer.h （类别，训练时候几类这里就是,这里安全帽就应该改成2）
- FP16/FP32 can be selected by the macro in yolov5.cpp  （目前仅支持fp32，fp16两种，一般服务器还是用fp32，亲测fp16比fp32大概快20%~30%，但是精度有所下降，在计算资源足够时选fp32）
- GPU id can be selected by the macro in yolov5.cpp （选择gpu id）
- NMS thresh in yolov5.cpp  （调整nms）
- BBox confidence thresh in yolov5.cpp （调整置信度）
- Batch size in yolov5.cpp  （调整batch_size）

- mv wtsfiles/safety_helmet_detection.wts ../yolov5s.wts   
- mkdir build 
- cd build
- cmake .. 
- make 
- sudo ./yolov5 -s
- cp -r build/ ../model/safety_helmet_model  //把整个build文件移动到对应模型文件加下

**注意：** 目前所有模型的wts文件存放在yolov5/wtsfiles，按照模型名称已经命名好了，需要什么模型就拿出去重新cmake，make就ok了。