主頁 >  其他 > TensorFlow物件檢測-1.0和2.0：訓練，匯出，優化（TensorRT），推斷（Jetson Nano）

TensorFlow物件檢測-1.0和2.0：訓練，匯出，優化（TensorRT），推斷（Jetson Nano）

2020-11-14 05:20:32 其他

作者|Abhishek
編譯|Flin
來源|analyticsvidhya

第1部分

從在自定義資料集中訓練檢測器到使用TensorFlow 1.15在Jetson納米板或云上進行推理的詳細步驟

完整代碼可在GitHub上獲得

  • TensorFlow物件檢測API V2的教程可作為jupyter notebook使用

    • https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

  • TensorFlow物件檢測API V1的教程可作為jupyter notebook使用

    • https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/12_tf_obj_1/Train_Infer_Optimize_Deploy.ipynb

一些常見的困難包括

  • 使用物件檢測API庫查找兼容的TensorFlow（和相關的cuda）版本

  • 將自定義資料轉換為tf記錄格式

  • 混淆了tf1.0和tf2.0的流程

  • 手動更新模型組態檔以進行訓練

  • 運行訓練程序并解決組態檔中的問題

  • 將模型從一種格式匯出到另一種格式以進行推理

  • 混合了不同的模型格式型別——檢查點、凍結圖、saved_model (" .pb ")、tensorRT推斷圖等等

  • 在訓練模型上運行推理

  • 將訓練后的模型轉換為量化格式，以便部署在諸如Jetson Nano的板上

  • 構建引擎和部署引擎之間的tensorRT版本和cuda計算能力不匹配

這個清單永無止境……

為克服上述一些問題，我們在Monk Object Detection Toolkit中的Tensorflow 物件檢測 API的兩個版本上添加了一個低代碼的pythonic包裝器

使用它，開發人員和研究人員可以輕松地

  • 使用TF推送定制訓練資料集

  • 使用pythonic API配置所有引數的模型檔案

  • 根據使用的網路和cuda版本的可用性，在TF1.0和TF2.0之間進行選擇

  • 根據自己的資料集訓練、匯出、優化、推斷

  • 使用TensorRT優化模型并匯出到云服務器或Jetson Nano等嵌入式板

傳統流程概述

下面提到的是使用TF訓練和部署定制探測器的程序，在描述程序流程的同時，還強調了一個人在使一切正常作業時所面臨的問題；還提到了tf1.0和2.0版本的物件檢測庫的區別

程序A:TensorFlow與目標檢測裝置的兼容性

  • 要使用物件檢測 2.0，請使用TensorFlow 2.3.0，版本2.0.0和2.1.0通常會導致“ tensorflow_core.keras.utils”. 2.2.0版在使用“CollectiveAllReduceExtended”模塊進行訓練時會導致錯誤，

  • 使用TensorFlow 2.3.0時，需要Cuda 10.1，

  • 要使用物件檢測 1.0，請使用TensorFlow版本1.15.0或1.15.2，

  • 使用TensorFlow 1.15時，需要Cuda 10.0，

  • TFLite轉換仍然存在某些錯誤（將在以后的博客中討論）

程序B：設定資料集

  • TensorFlow提供資料集工具以將資料轉換為可接受的TF記錄格式

  • 但是這些示例僅適用于最常用的資料集，例如COCO，Pascal VOC，OpenImages，Pets-Dataset等，用戶需要根據選擇的示例筆記本，按照COCO、VOC、OID等格式重新格式化和排列資料集

  • 另一種方法是更新示例代碼以便提取自定義資料集，這本身就是一個艱難的程序

  • 為了使自定義資料集的加載變得容易，我們修改了示例并添加了進一步的決議器以支持多種資料注釋型別，并將其直接轉換為TF-Records，

程序C：更新配置并開始訓練程序

  • Monk的物件檢測API 1.0包裝器支持大約23個模型，物件檢測API 2.0支持大約26個模型

  • 一旦選擇了模型并下載了權重，就必須手動更新組態檔，

  • API 1.0和2.0的組態檔格式不同，需要以稍微不同的方式進行手動更改

  • tf1.0中的某些配置存在基本特征提取引數的問題，

  • 在對組態檔應用更新后，整個作業區必須按照TF Obj github site站點上的教程指定的方式進行安排，

    • 站點：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_training_and_evaluation.md

  • 重新安排后，可以開始訓練，同樣，針對TF 1.0和TF 2.0模型的訓練是不同的，

  • 通過“Monk物件檢測”，我們添加了pythonic函式來更新組態檔，并且不再需要為作業空間使用嚴格的檔案夾結構，兩種TF版本的訓練程序幾乎都與Monk的包裝程式相同，

程序D：匯出經過訓練的模型以進行推理

  • 兩種物件檢測API均以檢查點 (“.ckpt”) 格式提供訓練有素的模型，

  • 為了在TF 1.0中進行推理，通常使用凍結圖形格式，

  • 為了在TF 2.0中進行推理，通常使用保存的模型格式，

  • 特別是對于初學者來說，轉換模型的程序在兩個API中都不相同，通常很難弄清楚

  • 為了簡化流程，我們添加了決議器，以使外部包裝器格式保持相同，這意味著我們能同時使用TF 1.0 API和TF 2.0 API，

程序E：TensorRT推論的模型優化

  • 匯出的模型最終使用TensorRT轉換為優化版本，

  • 支持的優化包括浮點32位和16位（FP32，FP16）和整數8位（INT8）量化，

  • 從tf1.0和tf2.0轉換匯出模型的量化程序是完全不同的，

  • TensorRT的版本存在其他問題，這意味著，使用TensorRT版本5.1.5優化的模型無法在使用TensorRT版本5.1.6的部署計算機上運行，一個非常具體的問題是使用TensorFlow 1.15.0的物件檢測1.0，這個TensorFlow帶有tensorRT 5.1.5，而Jetpacks中沒有這樣的版本，

  • TensorRT的另一個問題是cuda計算功能，意思是，除非采取適當措施，否則在具有7.0版計算能力的GPU（V100 Nvidia GPU）上優化的模型不能在具有5.3版計算能力的GPU（Jetson納米板）上運行，

  • 此博客通過訓練和優化物件檢測模型澄清了所有疑問

程序F：在Jetson Nano板上設定所有東西

  • 由于兩個API都需要不同的TensorFlow版本，因此安裝程序有所不同，Jetpack版本，CUDA版本以及TF 1.0在涉及tensorRT版本時都需要進一步注意，

讓我們從版本1.0開始，每次使用一個物件檢測API模塊，

TF物件檢測API 1.0

程序A：在開發機器上安裝

將要安裝的庫

  • 先決條件：numpy，scipy，pandas，pillow，OpenCV-python

  • 帶TensorRT 5.1.5的TensorFlow-GPU V1.15.0；如果在Nano板上部署則不需要

  • 帶TensorRT 6.0.1的TensorFlow-GPU V1.15.2；如果在Nano板上進行部署，則需要

  • 使用Monk Object Detection Toolkit的TF 物件檢測 API 1.0

（確保CUDA 10.0和CUDNN 7隨系統一起安裝了NVidia驅動程式）

當模型要部署在Jetson Nano板上時，請按照以下說明配置你的開發（訓練）機器

安裝必備的Python庫

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git

$ cd Monk_Object_Detection/12_tf_obj_1/installation

$ chmod +x install_cuda10_tensorrt6_part1.sh && ./install_cuda10_tensorrt6_part1.sh

安裝TensorRT 6.0.1

# Go to https://developer.nvidia.com/tensorrt
# Download 
# - nv-tensorrt-repo-ubuntu1804-cuda10.0-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu18.04)
# - nv-tensorrt-repo-ubuntu1604-cuda10.0-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu16.04)

# Run the following commands to install trt (in a terminal)

$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt6.0.1.5-ga-20190913_1-1_amd64.deb
$ sudo apt-key add <key value will be mentioned as the output of previous command>
$ sudo apt-get update
$ sudo apt-get install tensorrt
$ sudo apt-get install uff-converter-tf
$ sudo apt-get install python3-libnvinfer-dev

安裝Bazel 0.26.1并從GitHub克隆TensorFlow

# Install bazel version 0.26.1
# Download bazel deb package from https://github.com/bazelbuild/bazel/releases/tag/0.26.1

$ sudo dpkg -i bazel_0.26.1-linux-x86_64.deb

# Clone Tensorflow and switch to tensorflow 1.15.2

$ git clone https://github.com/tensorflow/tensorflow.git
$ cd tensorflow
$ git checkout v1.15.2

配置TensorFlow

# Configure tensorflow

$ ./configure

    - Do you wish to build TensorFlow with XLA JIT support? [Y/n]: Y

    - Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: N

    - Do you wish to build TensorFlow with ROCm support? [y/N]: N

    - Do you wish to build TensorFlow with CUDA support? [y/N]: Y      

    - Do you wish to build TensorFlow with TensorRT support? [y/N]: Y

    - And press enter (set default) for all other config questions asked by the setup

構建并安裝TensorFlow（在AWS P3.2x實體上大約需要5個小時）

# Build tensorflow using bazel

$ bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package


# Once built create a wheel file for python installation and run pip installer

$ bazel-bin/tensorflow/tools/pip_package/build_pip_package tensorflow_pkg

$ cd tensorflow_pkg && pip install tensorflow*.whl

最后構建物件檢測API 1.0

# Compile Object Detection API v1

$ cd Monk_Object_Detection/12_tf_obj_1/installation

$ chmod +x install_cuda10_tensorrt6_part2.sh && ./install_cuda10_tensorrt6_part2.sh

當不打算在Jetson Nano Board上部署模型時，請按照以下說明配置你的開發（訓練）機器

安裝所有必需的庫并編譯物件檢測API 1.0

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git

$ cd Monk_Object_Detection/12_tf_obj_1/installation

$ chmod +x install_cuda10.sh && ./install_cuda10.sh

安裝TensorRT 5.1.5作為預構建的TensorFlow 1.15.0支持

# Go to https://developer.nvidia.com/tensorrt
# Download 
# - nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.5.0-ga-20190427_1-1_amd64.deb (For Ubuntu18.04)
# - nv-tensorrt-repo-ubuntu1604-cuda10.0-trt5.1.5.0-ga-20190427_1-1_amd64.deb(For Ubuntu16.04)

# Run the following commands to install trt (in a terminal)

$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.1.5.0-ga-20190427_1-1_amd64.deb
$ sudo apt-key add <key value will be mentioned as the output of previous command>
$ sudo apt-get update
$ sudo apt-get install tensorrt
$ sudo apt-get install uff-converter-tf
$ sudo apt-get install python3-libnvinfer-dev

使用google colab時，請遵循以下說明（TensorRT在colab上可能無法正常運行）

# Switch to TF 1.0 version (Run the following line)
$ %tensorflow_version 1.x
# Now reset the runetime if prompted by colab

# Run the following commands
$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git
$ cd Monk_Object_Detection/12_tf_obj_1/installation
$ chmod +x install_colab.sh && ./install_colab.sh

程序B：建立資料集

Monk物件檢測決議器要求資料集采用COCO或Pascal VOC格式，對于本教程，讓我們堅持使用Pascal VOC格式

要將資料集從任何格式轉換為Pascal VOC，請查看以下詳細教程

  • https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/example_notebooks/12_tf_obj_1

在這個例子中，船檢測資料集取自一個關于使用retinanet進行物件檢測的舊博客

  • 船檢測資料集：https://www.tejashwi.io/object-detection-with-fizyr-retinanet/
  • 博客：https://www.tejashwi.io/object-detection-with-fizyr-retinanet/

在這個jupyter notebook中提到了使用這些資料的步驟

  • https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

程序C：更新配置并啟動訓練程序

加載訓練引擎

from train_detector import Detector

gtf = Detector();

在TF 1.15模型庫中加載所有可用模型

目前，它支持24種不同型號的SSD和Faster RCNN

加載訓練驗證資料集

將注釋轉換為VOC格式后加載資料集

根據可用的GPU設定批次大小，在本教程中，使用了帶v100gpu（16gbvram）的AWS ec2p3.2x計算機，批次大小為24非常適合，

train_img_dir = "ship/images/Train";
train_anno_dir = "ship/voc/";
class_list_file = "ship/classes.txt";

gtf.set_train_dataset(train_img_dir, train_anno_dir, class_list_file, batch_size=24)

運行決議器將資料集轉換為tfrecords

Tf Record檔案將存盤在data_tfrecord檔案夾中

gtf.create_tfrecord(data_output_dir="data_tfrecord")

選擇并加載模型

下載模型后，Monk會根據所選引數自動更新組態檔

在本教程中，我們使用了SSD MobileNet V1，它可以接收形狀為320x320x3 RGB影像的輸入影像

gtf.set_model_params(model_name="ssd_mobilenet_v1")

設定其他訓練和優化器引數

set_hyper_params(num_train_steps=10000,
lr=0.004,
lr_decay_rate=0.945,
output_dir="output_dir/",
sample_1_of_n_eval_examples=1,
sample_1_of_n_eval_on_train_examples=5,
checkpoint_dir=False,
run_once=False,
max_eval_retries=0,
num_workers=4,
checkpoint_after_every=500)

設定存盤匯出引數的目錄

gtf.export_params(output_directory="export_dir");

設定tensorRT優化引數

TensorRT優化器創建一個計劃，然后構建它，構建計劃是為了優化它正在構建的GPU的模型，

如前所述，在具有不同cuda計算能力的GPU上優化的模型無法在jetson nano上運行，因此Monk庫確保該計劃在開發機（云或colab）上編譯，而該計劃則在運行時在部署機（jetson nano）上構建

使用INT8優化時，無法執行此功能，計劃的編制和構建都必須在同一臺機器上，并且Jetson納米板與8位整數運算不太兼容

gtf.TensorRT_Optimization_Params(conversion_type="FP16", trt_dir="trt_fp16_dir")

訓練探測器

檢測器訓練運行一個執行sys.exit()函式的會話，因此在其上運行的包裝程式將關閉python系統，

為了解決此問題，提供了一個名為train.py的腳本，該腳本可以在jupyter notebook或終端命令上運行

根據引數設定，訓練好的模型將保存在名為“ output_dir”的檔案夾中，

# Run in a terminal
$ python Monk_Object_Detection/12_tf_obj_1/lib/train.py

# or run this command on a jupyter notebook
%run Monk_Object_Detection/12_tf_obj_1/lib/train.py

程序D：匯出經過訓練的模型以進行推理

匯出訓練有素的檢查點模型

export函式運行一個執行sys.exit()函式的會話，因此在其上運行的包裝器將關閉python系統，

為了解決此問題，提供了一個名為export.py的腳本，該腳本可以在jupyter notebook或終端命令上運行

根據引數設定，匯出的模型將保存在名為“ export_dir”的檔案夾中，

# Run in a terminal
$ python Monk_Object_Detection/12_tf_obj_1/lib/export.py

# or run this command on a jupyter notebook
%run Monk_Object_Detection/12_tf_obj_1/lib/export.py

程序E：TensorRT推論的模型優化

優化匯出模型

優化函式運行一個執行sys.exit()函式的會話，因此在其上運行的包裝程式將關閉python系統，

為了解決此問題，提供了一個名為optimize.py的腳本，該腳本可以在jupyter notebook電腦或終端命令上運行

根據引數設定，優化的模型將保存在名為“ trt_fp16_dir”的檔案夾中，

# Run in a terminal
$ python Monk_Object_Detection/12_tf_obj_1/lib/optimize.py

# or run this command on a jupyter notebook
%run Monk_Object_Detection/12_tf_obj_1/lib/optimize.py

程序F-1：在開發機器上運行推理

加載推理機

from infer_detector import Infer
gtf = Infer();

載入模型

首先加載匯出的模型并運行步驟，然后通過加載優化的模型重復相同的步驟（步驟保持不變）

# To load exported model
gtf.set_model_params('export_dir/frozen_inference_graph.pb', "ship/classes.txt")

# To load optimized model
gtf.set_model_params('trt_fp16_dir/trt_graph.pb', "ship/classes.txt")

對單個影像進行推斷

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1);

使用兩個模型運行速度測驗分析

gtf.benchmark_for_speed('ship/test/img1.jpg')

在AWS P3.2x V100 GPU上使用匯出的模型（未優化）進行分析

Average Image loading time : 0.0091 sec
Average Inference time     : 0.0103 sec
Result extraction time     : 0.0801 sec
total_repetitions          : 100
total_time                 : 1.0321 sec
images_per_sec             : 96
latency_mean               : 10.3218 ms
latency_median             : 10.3234 ms
latency_min                : 9.4773 ms

在AWS P3.2x V100 GPU上使用優化模型進行分析

處理后優化使速度提高約2.5倍

Average Image loading time : 0.0092 sec
Average Inference time     : 0.0042 sec
Result extraction time     : 0.0807 sec
total_repetitions          : 100
total_time                 : 0.4241 sec
images_per_sec             : 235
latency_mean               : 4.2412 ms
latency_median             : 4.2438 ms
latency_min                : 4.0156 ms

程序F-3：在Jetson Nano板上安裝步驟

步驟1：更新Apt

$ sudo apt-get update
$ sudo apt-get upgrade

步驟2：安裝系統庫

$ sudo apt-get install nano git cmake libatlas-base-dev gfortran libhdf5-serial-dev hdf5-tools nano locate libfreetype6-dev python3-setuptools protobuf-compiler libprotobuf-dev openssl libssl-dev libcurl4-openssl-dev cython3 libxml2-dev libxslt1-dev python3-pip

$ sudo apt-get install libopenblas-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler libgflags-dev libgoogle-glog-dev liblmdb-dev

$ sudo pip3 install virtualenv virtualenvwrapper

步驟3：更新bashrc檔案

將這些行添加到?/ .bashrc檔案

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
export WORKON_HOME=$HOME/.virtualenvs
export VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenv
source /usr/local/bin/virtualenvwrapper.sh

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

運行以下命令

$ source ~/.bashrc

步驟4：創建虛擬環境并安裝所有必需的python庫，安裝numpy大約需要15分鐘

$ mkvirtualenv -p /usr/bin/python3.6 tf2

$ pip install numpy==1.19.1

安裝scipy大約需要40分鐘

$ pip install scipy==1.5.1

安裝Jetson Nano TensorFlow-1.15，再花15分鐘

$ pip install scikit-build protobuf cython -vvvv

$ pip install grpcio absl-py py-cpuinfo psutil portpicker six mock requests gast h5py astor termcolor protobuf keras-applications keras-preprocessing wrapt google-pasta -vvvv

$ pip install https://developer.download.nvidia.com/compute/redist/jp/v43/tensorflow-gpu/tensorflow_gpu-1.15.0+nv19.12-cp36-cp36m-linux_aarch64.whl -vvvv

安裝OpenCV需要1.5個小時

$ mkdir opencv && cd opencv
$ wget -O opencv.zip https://github.com/opencv/opencv/archive/4.1.2.zip
$ unzip opencv.zip
$ mv opencv-4.1.2 opencv
$ cd opencv && mkdir build && cd build

$ cmake -D CMAKE_BUILD_TYPE=RELEASE -D WITH_CUDA=OFF -D WITH_CUBLAS=OFF -D WITH_LIBV4L=ON -D BUILD_opencv_python3=ON -D BUILD_opencv_python2=OFF -D BUILD_opencv_java=OFF -D WITH_GSTREAMER=ON -D WITH_GTK=ON -D BUILD_TESTS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_EXAMPLES=OFF -D OPENCV_ENABLE_NONFREE=OFF ..

$ make -j3
$ sudo make install

$ cd ~/.virtualenvs/tf2/lib/python3.6/site-packages
$ ln -s /usr/local/lib/python3.6/site-packages/cv2/python-3.6/cv2.cpython-36m-aarch64-linux-gnu.so cv2.so

最后克隆Monk物件檢測庫并安裝TF物件檢測API

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git

$ cd Monk_Object_Detection/12_tf_obj_1/installation/

$ chmod +x install_nano.sh && ./install_nano.sh

程序F-4：關于Jetson Nano的推論

將優化的權重檔案夾復制/下載到jetson nano作業目錄（克隆Monk庫）

從Monk_Object_Detection庫復制示例影像

$ cp -r Monk_Object_Detection/example_notebooks/sample_dataset/ship .

加載推理引擎和模型（此步驟大約需要4到5分鐘）

from infer_detector import Infer

gtf = Infer();

gtf.set_model_params('trt_fp16_dir/trt_graph.pb', "ship/classes.txt")

現在，如前所述，TensorRT負責計劃并在運行時構建（優化）計劃，因此第一次運行大約需要3-4分鐘

scores, bboxes, labels = gtf.infer_on_image('ship/test/img5.jpg', thresh=0.5, img_size=300);

突出顯示的區域顯示了Jetson Nano的TesnorRT建立（優化）計劃（模型）（作者擁有的影像）

再次運行它不會花費太多時間，

Benchmark板基準分析

gtf.benchmark_for_speed('ship/test/img1.jpg')

# With Jetson Nano power mode - 5W ModeAverage Image loading time : 0.0275 sec
Average Inference time     : 0.0621 sec
total_repetitions          : 100
total_time                 : 6.2172sec
images_per_sec             : 16
latency_mean               : 67.1722 ms
latency_median             : 60.7875 ms
latency_min                : 57.4391 ms

# With Jetson Nano power mode - MAXN ModeAverage Image loading time : 0.0173 sec
Average Inference time     : 0.0426 sec
total_repetitions          : 100
total_time                 : 4.2624 sec
images_per_sec             : 23
latency_mean               : 42.6243 ms
latency_median             : 41.9758 ms
latency_min                : 40.9001 ms

jupyter notebook提供TensorFlow物件檢測API 1.0的完整代碼

從谷歌驅動器下載所有預先訓練的權重

  • https://drive.google.com/file/d/1gtBp6G4Gix-b9epmUzd5kQtT1aY-iwXk/view?usp=sharing

第2部分

從在自定義資料集上訓練檢測器到在Jetson納米板或云上使用TensorFlow 2.3進行推理的詳細步驟

TF物件檢測API 2.0

程序A：在開發機器上安裝

要安裝的庫

前提條件：numpy，scipy，pandas，pandas，pillow，OpenCV-python

帶TensorRT 6.0.1的TensorFlow-GPU V2.3.0

使用Monk Object Detection Toolkit的TF Object Detection API 2.0

將進行TensorRT安裝

后續部分（確保CUDA 10.0和CUDNN 7隨系統一起安裝了NVidia驅動程式）

在開發（訓練）機器中運行以下步驟

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git

#For Cuda 10 systems
$ cd Monk_Object_Detection/13_tf_obj_1/installation && chmod +x install_cuda10.sh && ./install_cuda10.sh

#For Google colab
$ cd Monk_Object_Detection/13_tf_obj_1/installation && chmod +x install_colab.sh && ./install_colab.sh

程序B：建立資料集

這與第1部分中的相同，Monk物件檢測決議器要求資料集采用COCO或Pascal VOC格式，對于本教程，讓我們堅持使用Pascal VOC格式

要將你的資料集從任何格式轉換為Pascal VOC，請查看以下詳細教程

  • https://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/example_notebooks/13_tf_obj_2

在此示例中，船檢測資料集是從一篇物件檢測的舊博客中獲取的

  • https://www.tejashwi.io/object-detection-with-fizyr-retinanet/

此jupyter notebook中提到了使用資料的步驟

  • https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

程序C：更新配置并開始訓練程序

加載訓練引擎

from train_detector import Detector

gtf = Detector();

在TF 2.0 Model Zoo中加載所有可用的模型

目前，它支持26種SSD，Faster RCNN和EfficientDet不同的型號

即將添加對Centernet模型的支持，原始管道在訓練中有錯誤

加載訓練和驗證資料集

將注釋轉換為VOC格式后加載資料集

根據可用的GPU設定批處理大小，在本教程中，使用了具有V100 GPU（16 GB VRAM）的AWS EC2 P3.2x計算機，批次大小為24非常適合，

train_img_dir = "ship/images/Train";
train_anno_dir = "ship/voc/";
class_list_file = "ship/classes.txt";

gtf.set_train_dataset(train_img_dir, train_anno_dir, class_list_file, batch_size=24)

運行決議器將資料集轉換為tfrecords

Tf Record檔案將存盤在data_tfrecord檔案夾中

gtf.create_tfrecord(data_output_dir="data_tfrecord")

選擇并加載模型

下載模型后，Monk會根據所選引數自動更新組態檔

在本教程中，我們使用了SSD MobileNet V2，它可以接收形狀為320x320x3 RGB影像的輸入影像

  • SSD MobileNet V2：https://resources.wolframcloud.com/NeuralNetRepository/resources/SSD-MobileNet-V2-Trained-on-MS-COCO-Data
gtf.set_model_params(model_name="ssd_mobilenet_v2_320")

設定其他訓練和優化器引數

set_hyper_params(num_train_steps=10000,
lr=0.004,
lr_decay_rate=0.945,
output_dir="output_dir/",
sample_1_of_n_eval_examples=1,
sample_1_of_n_eval_on_train_examples=5,
checkpoint_dir=False,
run_once=False,
max_eval_retries=0,
num_workers=4,
checkpoint_after_every=500)

設定目錄，將存盤匯出的引數

gtf.export_params(output_directory="export_dir");

設定tensorRT優化引數

TensorRT優化器創建一個計劃，然后構建它，構建計劃是為了優化它正在構建的GPU的模型，

如前所述，在具有不同cuda計算能力的GPU上優化的模型無法在jetson nano上運行，因此Monk庫確保該計劃在開發機（云或colab）上編譯，而該計劃則在運行時在部署機（jetson nano）上構建

使用INT8優化時，無法執行此功能，計劃的編制和構建都必須在同一臺機器上，并且Jetson納米板與8位整數運算不太兼容

gtf.TensorRT_Optimization_Params(conversion_type="FP16", trt_dir="trt_fp16_dir")

訓練探測器

檢測器訓練運行一個執行sys.exit()函式的會話，因此在其上運行的包裝程式將關閉python系統，

為了解決此問題，提供了一個名為train.py的腳本，該腳本可以在jupyter notebook或終端命令上運行

根據引數設定，訓練好的模型將保存在名為“ output_dir”的檔案夾中，

# For terminal users
$ python Monk_Object_Detection/13_tf_obj_2/lib/train.py

# For jupyter notebook or colab users
%run Monk_Object_Detection/13_tf_obj_2/lib/train.py

程序D：匯出經過訓練的模型以進行推理

匯出訓練有素的檢查點模型

export函式運行一個執行sys.exit()函式的會話，因此在其上運行的包裝器將關閉python系統，

為了解決此問題，提供了一個名為export.py的腳本，該腳本可以在jupyter notebook或終端命令上運行

根據引數設定，匯出的模型將保存在名為“ export_dir”的檔案夾中，

# For terminal users
$ python Monk_Object_Detection/13_tf_obj_2/lib/export.py

# For jupyter notebook and colab users
%run Monk_Object_Detection/13_tf_obj_2/lib/export.py

程序E：TensorRT推論的模型優化

安裝TensorRT版本6.0.1

轉到Nvidia TensorRT頁面并下載基于OS和CUDA的TRT6軟體包，

下面提到的是適用于Ubuntu OS和Cuda 10.1的步驟

# Optimizing For TensorRT - Feature Not tested on colab
# This requires TensorRT 6.0.1 to be installed
# Go to https://developer.nvidia.com/tensorrt

# Download 
# - nv-tensorrt-repo-ubuntu1804-cuda10.1-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu18.04)
# - nv-tensorrt-repo-ubuntu1604-cuda10.1-trt6.0.1.5-ga-20190913_1-1_amd64.deb (For Ubuntu16.04)

# Run the following commands to install trt (in a terminal)

$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.1-trt6.0.1.5-ga-20190913_1-1_amd64.deb
$ sudo apt-key add /var/nv-tensorrt-repo-cuda10.1-trt6.0.1.5-ga-20190913/7fa2af80.pub
$ sudo apt-get update
$ sudo apt-get install tensorrt
$ sudo apt-get install uff-converter-tf
$ sudo apt-get install python3-libnvinfer-dev

優化匯出模型

優化函式運行一個執行sys.exit()函式的會話，因此在其上運行的包裝程式將關閉python系統，

為了解決此問題，提供了一個名為optimize.py的腳本，該腳本可以在jupyter notebook電腦或終端命令上運行

根據引數設定，優化的模型將保存在名為“ trt_fp16_dir”的檔案夾中，

# For terminal users
$ python Monk_Object_Detection/13_tf_obj_2/lib/optimize.py

# For jupyter notebook and colab users
%run Monk_Object_Detection/13_tf_obj_2/lib/optimize.py

程序F-1：在開發機器上運行推理

加載推理機

from infer_detector import Infer

gtf = Infer();

載入模型

首先加載匯出的模型并運行步驟；稍后通過加載優化的模型重復相同的步驟（步驟保持不變）

# To load exported model
gtf.set_model_params(exported_model_dir = 'export_dir')

# To load optimized model
gtf.set_model_params(exported_model_dir = 'trt_fp16_dir')

對單個影像進行推斷

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1);

樣本推斷結果

使用兩個模型運行速度測驗分析

gtf.benchmark_for_speed('ship/test/img1.jpg')

在AWS P3.2x V100 GPU上使用匯出的模型（未優化）進行分析

Average Image loading time : 0.0110 sec
Average Inference time     : 0.0097 sec
Result extraction time     : 0.0352 sec
total_repetitions          : 100
total_time                 : 0.9794 sec
images_per_sec             : 102
latency_mean               : 9.7949 ms
latency_median             : 9.7095 ms
latency_min                : 9.1238 ms

在AWS P3.2x V100 GPU上使用優化模型進行分析

約1.5倍的速度加快處理后期優化

Average Image loading time : 0.0108 sec
Average Inference time     : 0.0062 sec
Result extraction time     : 0.0350 sec
total_repetitions          : 100
total_time                 : 0.6241 sec
images_per_sec             : 160
latency_mean               : 6.2422 ms
latency_median             : 6.2302 ms
latency_min                : 5.9401 ms

程序F-2：在Jetson Nano板上設定所有東西

步驟1：下載Jetpack 4.3 SD卡映像 https://developer.nvidia.com/jetpack-43-archive

步驟2：將此圖片寫入SD卡，你可以使用 https://www.balena.io/etcher/

步驟3：將你的SD卡插入Nano板并啟動系統，然后完成安裝步驟

獲取有關Nvidia的“ Jetson Nano入門”頁面的更多詳細資訊

  • https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit

程序F-3：在Jetson Nano板上安裝步驟

步驟1：更新Apt

$ sudo apt-get update
$ sudo apt-get upgrade

步驟2：安裝系統庫

$ sudo apt-get install nano git cmake libatlas-base-dev gfortran libhdf5-serial-dev hdf5-tools nano locate libfreetype6-dev python3-setuptools protobuf-compiler libprotobuf-dev openssl libssl-dev libcurl4-openssl-dev cython3 libxml2-dev libxslt1-dev python3-pip

$ sudo apt-get install libopenblas-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler libgflags-dev libgoogle-glog-dev liblmdb-dev

$ sudo pip3 install virtualenv virtualenvwrapper

步驟3：更新bashrc檔案

將這些行添加到?/ .bashrc檔案

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
export WORKON_HOME=$HOME/.virtualenvs
export VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenv
source /usr/local/bin/virtualenvwrapper.sh

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

運行以下命令

$ source ~/.bashrc

步驟4：創建虛擬環境并安裝所有必需的python庫

安裝numpy大約需要15分鐘

$ mkvirtualenv -p /usr/bin/python3.6 tf2

$ pip install numpy==1.19.1

安裝scipy大約需要40分鐘

$ pip install scipy==1.5.1

安裝Jetson Nano TensorFlow-2.0.0需再花費15分鐘

$ pip install scikit-build protobuf cython -vvvv

$ pip install grpcio absl-py py-cpuinfo psutil portpicker six mock requests gast h5py astor termcolor protobuf keras-applications keras-preprocessing wrapt google-pasta -vvvv

$ pip install https://developer.download.nvidia.com/compute/redist/jp/v43/tensorflow-gpu/tensorflow_gpu-2.0.0+nv19.12-cp36-cp36m-linux_aarch64.whl -vvvv

安裝OpenCV需要1.5個小時

$ mkdir opencv && cd opencv
$ wget -O opencv.zip https://github.com/opencv/opencv/archive/4.1.2.zip
$ unzip opencv.zip
$ mv opencv-4.1.2 opencv
$ cd opencv && mkdir build && cd build

$ cmake -D CMAKE_BUILD_TYPE=RELEASE -D WITH_CUDA=OFF -D WITH_CUBLAS=OFF -D WITH_LIBV4L=ON -D BUILD_opencv_python3=ON -D BUILD_opencv_python2=OFF -D BUILD_opencv_java=OFF -D WITH_GSTREAMER=ON -D WITH_GTK=ON -D BUILD_TESTS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_EXAMPLES=OFF -D OPENCV_ENABLE_NONFREE=OFF ..

$ make -j3
$ sudo make install

$ cd ~/.virtualenvs/tf2/lib/python3.6/site-packages
$ ln -s /usr/local/lib/python3.6/site-packages/cv2/python-3.6/cv2.cpython-36m-aarch64-linux-gnu.so cv2.so

最后克隆Monk Object Detection庫

注意：不要像在開發機器中那樣運行13_tf_obj_2的安裝，用tf2.0安裝tf物件檢測有一些問題，推理代碼不需要物件檢測API工具，

$ git clone https://github.com/Tessellate-Imaging/Monk_Object_Detection.git

程序F-4：關于Jetson Nano的推論

將優化的權重檔案夾復制/下載到jetson nano作業目錄（Monk庫為克隆目錄）

從Monk_Object_Detection庫復制示例影像

$ cp -r Monk_Object_Detection/example_notebooks/sample_dataset/ship .

加載推理引擎和模型（此步驟大約需要4到5分鐘）

from infer_detector_nano import Infer
gtf = Infer();

gtf.set_model_params(exported_model_dir = 'trt_fp16_dir')

現在，如前所述，TensorRT采用計劃并在運行時構建（優化）它，因此第一次運行大約需要3-4分鐘

scores, bboxes, labels = gtf.infer_on_image('ship/test/img1.jpg', thresh=0.1);

# Oputput will be saved as output.jpg
gtf.draw_on_image(self, bbox_thickness=3, text_size=1, text_thickness=2)

突出顯示的區域顯示了Jetson Nano的TesnorRT建立（優化）計劃（模型）（作者擁有的影像）

再次運行它不會花費太多時間，

Benchmark板基準分析

gtf.benchmark_for_speed('ship/test/img1.jpg')

# With Jetson Nano power mode - 5W ModeAverage Image loading time : 0.0486 sec
Average Inference time     : 0.1182 sec
total_repetitions          : 100
total_time                 : 11.8244 sec
images_per_sec             : 8
latency_mean               : 118.2443 ms
latency_median             : 117.8019 ms
latency_min                : 111.0002 ms

# With Jetson Nano power mode - MAXN ModeAverage Image loading time : 0.0319 sec
Average Inference time     : 0.0785 sec
total_repetitions          : 100
total_time                 : 7.853 sec
images_per_sec             : 12
latency_mean               : 78.5399 ms
latency_median             : 78.1973 ms
latency_min                : 76.2658 ms

jupyter notebook提供TensorFlow物件檢測API 2.0的完整代碼

  • https://github.com/Tessellate-Imaging/Monk_Object_Detection/blob/master/example_notebooks/13_tf_obj_2/Train_Infer_Optimize_Deploy.ipynb

從谷歌驅動器下載所有預先訓練的權重

  • https://drive.google.com/file/d/12iOSeYHut_ZxB9Z8_dO7ZdUBI7of-GMd/view?usp=sharing

TensorFlow物件檢測API V 2.0的所有作業到此結束

感謝閱讀！祝你編碼愉快！！

原文鏈接：https://www.analyticsvidhya.com/blog/2020/09/tensorflow-object-detection-1-0-2-0-train-export-optimize-tensorrt-infer-jetson-nano/

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/214423.html

標籤：其他

上一篇：python使用cuML訓練你的機器學習模型

下一篇：【Linux學習筆記17】系統故障恢復方法大全（一）

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂