本文共 3890 字，大约阅读时间需要 12 分钟。

目录

---

感谢NVIDIA，感谢GPUS！！！

参赛队名：学深会

描述一下数据集收集和标注情况：

数据收集方法的优缺点分析

L同学

主要数据获取方法为：网络爬取。主要通过Google搜索引擎，书写网页爬取程序，从而获得交通路面的相关照片，然后下载到本地。该方法的优点为：1.速度快，短时间内可以获取大量数据，节约团队消耗人力物力实地考察，上街拍摄；2.照片对于分析对象的拍摄角度很全面，各个角度的照片都有，可以较好地训练模型。该方法的缺点是:1.网络上的照片质量参差不齐，偶尔有不是目标的照片也被爬取出来了，需要后期人工挑选出来。2.Google上的照片以国外的路面状况为主，训练时对于交通路标的识别存在影响。

T同学

基本上有以下的方法

• Kaggle上找数据集
• 清华，国内外大神的数据集
• 官方给的数据集（最好的方法）
• 问队友..
• 问官方..
• Google自己爬，自己标（最不好的方法）
• 自己拍照片，没试过
• 其他：淘宝上标框，1个框3分到6分，目前淘宝上没有找到直接买数据集的商家

其他需要注意的事项

• 数据集可能很大，需要准备大的移动硬盘，我16G的U盘硬是不能把12G的数据集放进去
• 百度网盘还是比较香的，有Linux的版本，要好好用哈
• 国外数据集往往在Amazon上面，就是翻墙有时候也打不开是最无语的

数据标注的方法的优缺点分析:

L同学

团队采用目标检测的方法，使用在（离）线的VGG工具标准数据集。该方法的优点为：1.节约数据标准的时间，同时也能较好地完成识别目标对象的工作；2.数据标注的工具同时支持在线和离线，且十分轻便，在无网络的情况下也能开展数据标注工作。该数据标注方法的缺点为：1.获取区域目标比较费时；2.往往需要重复计算区域的特征值，数据不共享，存在大量冗余计算。

T同学

• 在实际数据标注的过程中，我们尝试了各种数据标注平台，最终决定用VGG图像注释
  器进行了在线标注。
• 数据标注的最大问题就是文件项目的导入导出问题，因为数据量过大，无法一次性标注所有数据，但是每次标注完成导出的json文件都是包括了所有的图片，无论有没有标注，为后期的训练模型带来了隐患。
• 认识到问题之后，我们学会了手动拼接 有效的json文件，在最终与有经验的学长交流之后，我们学会了标注项目的管理，避免下次标数据时再低效率手动拼接json文件。

Json文件转换kitti文件的方法和踩坑实录

对于json文件转换kitti文件，需要注意的是做好json文件的格式规范，如果每一个json文件都有不同的数据结构，那么使用脚本进行转换就有很大的困难。在转换中，需要用到三个元素，第一是label，也就是ROI里的东西是什么；而后面两个是具体的坐标。

img

描述一下您们是如何进行模型训练（比如训练的时间，训练的结果，利用NVIDIA Transfer Learning Toolkit对模型进行剪枝等优化过程等）

部署网络踩坑总结

，T同学和Y同学

把基本网络搭建好了，请参考官方TLT 文档

https://docs.nvidia.com/metropolis/TLT/tlt-getting-started-guide/

T同学

官方教程踩坑实录

下载数据

image-20201217173627850

Linux百度网盘下载还是挺快的

准备数据

image-20201217173658745

解压官方数据集，ipython notebook设计真人性化

下载预训练模型

image-20201217173921101

导入模型配置文件

image-20201217174057218

运行TLT文件

image-20201217174008396

训练模型，这个过程需要至少需要一个小时，如果训练80个epoch的话

image-20201217174124293

反正最后最重要的是这个mAP，我也不太清楚这个具体的意思，反正这个数字越靠近1越好，反正看着跑的感觉还是挺爽的。

模型重训练

image-20201217174405212

我的理解是NVIDIA有一个工具，在TLT里面，他自动给你加了一些“盐”一样的东西，让你的网络generalization的程度更好，比如说prune或者drop out.(在这里就是仅仅做了剪枝)

剪枝结束的时候的样子是这样的

image-20201217174554266

推理的图片

image-20201217174627046

部署到nano上面

先说一下步骤

• 把本机的模型导出来，.etlt文件（PS， .tlt文件是权重向量，每一个epoch都会有一个的，.etlt文件的e应该是engine的意思，是模型文件）
• 

  image-20201217174855775

• 之后把.etlt文件的路径和你的NGC账号放到nano部署的Jupiter notebook上面
• 

  image-20201217174910822

• nano加载的状态，看下面有busy
• 

  image-20201217175013752

• 注意标签对应，这是future work了
• 这里的键值对应该是和标注的一样，但是改完了有报错，我也不明白了
• 

  image-20201217175142587

描述一下您们是如何在Jetson NANO进行部署和推理

硬件平台概况

image-20201206212154429

micro USB直连

image-20201206212139178

• 有了这个USB线，以后就可以直接通过我电脑的网卡来桥接使得jetson上网，通过jupter notebook，此外，直接通过我的电脑控制nano，非常的方便，再也不需要通过外接键盘，鼠标，显示器，网卡，ifconfig读取ip地址，之后通过谷歌浏览器输入ip地址的端口：8888进去jupter notebook来实现了呢

• 我们现在直接连接山，注意这个USB线需要有数据传输的功能，不能是普通的充电线，这样我们就能直接通过在我的电脑上输入http://192.168.55.1:8888 来控制我的nano了，真的很神奇，虽然我也不知道背后的原理，但是，通过浏览器控制本机实际的硬件，这样的体验还是很棒的！

• by the way, 那个如果这个小绿灯没有亮，先检查电源哈，这是nano电源检测灯

  

  image-20201206212123835

软件平台（供参考）

• NVIDIA Jetpack 4.4
• Ubuntu 18.04 L4T
• Python 3.6.9
• TensorRT 7.1
• CUDA 10.2
• Tensorflow 1.15
• NVIDIA Transfer Learning Toolkit 2.0
• Numpy 1.16.1
• Opencv 4.1.1

总结（团队收获）

收获

S同学

• 经历了这次nvidia的比赛，对神经网络和nvidia的平台有了更深的了解

T同学

• 知道怎么标数据和标数据的项目管理事项
• 知道如何进行环境的配置
• 学习了一些Linux命令的使用方式
• 体会到了深度学习网络的实现流程

Y同学

• 知道常用的CNN模型以及它们的区别

• 了解模型的构建流程

• 了解模型的一些优化方法

• 熟悉了常用的数据增强技巧

• 学会了在jetson nano上部署模型、检测模型识别效果

L同学

• 了解了深度学习的整个流程
• 关于数据集的使用和标注
• 关于配置环境是怎么一回事

T同学

• 知道怎么标注数据

  • 自动化标注不靠谱

• 认识到了四种计算机视觉问题

  • 图像分类

  • 目标检测

  • 语义分割

  • 实例分割

• 知道怎么链接notebook

• 知道怎么调整模型的一些参数

• 知道了先跑docker，再再docker里面跑程序的逻辑

• 知道大概模型走多少个epoch能够有足够好的精度

• 知道了jupter notebook 和 jupter lab的区别是啥

• 知道了label要在一开始的时候要很强的同一在一起（强共识，一开始一定要和组里面强共识）

• Linux怎么看系统配置

• 100张V100训练80epoch，7000张，resnet18大概需要1小时

• Prune 之后Retrain需要的时间更多步骤200步

• 上了好多NVIDIA的课程，学会了jupiter notebook和lab怎么用，这为我以后在kaggle上跑很多模型，训练集提供了可能

• 知道了怎么用teamviewer来控制计算机

• 知道了怎么用teamviewer传文件

• 练习了linux终端的命令

  • cd

  • cat

  • mkdir

  • ls

• 知道了linux终端操作的意义的价值，因为当你的训练集里面有10000个文件，甚至只是10000个txt文件的时候，你要是通过图形界面打开，你的file应用程序就会崩

• 备了以后在nano上面搭建AIOT的能力

• 知道NVIDIA DIGITS本质上就是把输入放到了那个配置文件的格式里面

遗憾

S同学

• 遗憾的是这次比赛选在了学期的最后一周，太多的事情导致没法用太多时间和精力来参加比赛

T同学

• 未能参与nano部署部分

Y同学

• 缺少对模型底层的认识，需要详细学习

L同学

• 未能学习框架的具体细节实现

T同学

• 对于如何定制化模型缺乏认识

希望

S同学

• 以后能更多的使用nvidia的平台，来进行自己的研究

T同学

• 能自己完整的复现项目的整个流程

Y同学

• 官方推出训练以及nano上部署分类、识别、分割、跟踪的案例教程

L同学

• 在后期学习，更全面地了解各种模型框架，灵活运用

T同学

• 能知道怎么写model config文件

转载地址：https://dequn.blog.csdn.net/article/details/111322515 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！