实验室昨天到了 NVIDIA 的 Jetson TX1, 可以说是移动端比较好的带GPU的开发板子了, 于是可以试试在移动端上用YOLO (You Look Only Once) 来做目标识别.

Specifications

GPU 1 TFLOP/s 256-core with NVIDIA Maxwell™ Architecture
CPU 64-bit ARM® A57 CPUs
Memory 4 GB LPDDR4, 25.6 GB/s
Video decode 4K 60 Hz
Video encode 4K 30 Hz
CSI Up to 6 cameras, 1400 Mpix/s
Display 2x DSI, 1x eDP 1.4, 1x DP 1.2/HDMI
Connectivity Connects to 802.11ac Wi-Fi and Bluetooth-enabled devices
Networking 1 Gigabit Ethernet
PCIE Gen 2 1x1 + 1x4
Storage 16 GB eMMC, SDIO, SATA
Other 3x UART, 3x SPI, 4x I2C, 4x I2S, GPIOs

标称1TFlops这个比较猛, 都快比得上XPS 15 9550的GTX960M了.

Environment

到手TX1之后发现是 Ubuntu 14.04 32-bit 的, 果断先用 JetPack 2.3 升级到 Ubuntu 16.04 64bit. 用 JetPack 刷机的好处是能够顺便配置一大堆库, 比如说 CUDA, cuDNN, OpenCV4Terga 之类的.

  • JetPack 在刷机之前需要下载一大堆 Package, 因此在国内的话最好在运行前配置好代理.

  • JetPack 刷完系统后会要求按 reset 键重启进 GUI, 之后就是不断地安装包安装依赖的过程, 因此在国内的话可以趁此机会修改/etc/apt/source.list:

1
2
3
4
5
6
7
8
9

  deb http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial-updates main restricted universe multiverse
  deb-src http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial-updates main restricted universe multiverse
  deb http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial-security main restricted universe multiverse
  deb-src http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial-security main restricted universe multiverse
  deb http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial-backports main restricted universe multiverse
  deb-src http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial-backports main restricted universe multiverse
  deb http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial main universe restricted
  deb-src http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial main universe restricted
  deb http://mirrors.ustc.edu.cn/ubuntu-ports/ xenial universe

注意arm64的源与普通的x86-64的源是不一样的.

Darknet

为了用 Webcam demo, 所以需要 Compiling with CUDA and OpenCV:

1
2
3
4
5
6

$ git clone https://github.com/pjreddie/darknet.git
$ cd darknet
$ sed 's/GPU=0/GPU=1/g' Makefile
$ sed 's/CUDNN=0/CUDNN=1/g' Makefile
$ sed 's/OPENCV=0/OPENCV=1/g' Makefile
$ make -j4

上面编译完了之后输入以下指令, 与输出结果相对应, 那就说明成功了

1
2

$ ./darknet
$ usage: ./darknet <function>

YOLO

先去下训练好的权重, 建议选 yolo-tiny 的, 吃内存少. (毕竟 TX1 只有 4GB 内存, 还是 CPU 和 GPU 共用的)

之后运行一下命令即可测试 Real-Time Detection on a Webcam:

1

$ ./darknet yolo demo cfg/tiny-yolo.cfg tiny-yolo.weights

实际效果如下:

yolo-tiny_on_TX1

左下为摄像头实拍屏幕的画面, 可以看出检测结果还是很不错的.

帧数有12fps左右, 基本上达到实时要求.

Re-train

重新训练 YOLO, 使其识别球与球门.

(To be continued…)

Reference