Jetson Nano 2GB系列文章（17）：更换模型得到不同效果

在上一篇文章中，我们已经体验了”10行Python代码的威力”，可以明显感觉到 ”Hello AI World”的内容绝非一般应用的“Hello World”那么简单。在本篇文章中，我们将为大家介绍如何更换模型以获得不同的效果。

当然，这个项目有一个特色，那就是它非常有效地利用了“预训练模型”！事实上，在深度学习应用过程中，“训练模型”是需要耗费相当大量的时间与计算资源的，这个过程对于初学者来说难度非常高，因此想要让初学者轻松上手，就必须提供“最简单”、“最有效”的入门方式，“支持预训练模型”就是一种非常好的方法。

看一下上一篇“10lines.py”里的第5行代码：

我们只要将粗体底线的“ssd-mobilenet-v2”部分进行置换，就能调用不同的预训练模型，去改变您想要检测的类型结果。这些预训练模型的来源主要有二：

• 本系统预建立的支持：

在前面“项目安装”一文中，执行过程的“Download Models”部分就是下载这些预训练模型以及所需要的配套文件，下载脚步会将这些文件放置到对应的路径中，并且在C++主代码内已经做好设置。这是本文所要说明的内容。

• 自行添加：

这个部分由于牵涉更多的设定，因此会在后面的文章中进行说明。本系统已建立的模型列表如下图：

上面的模型，都是由NVIDIA为大家用高性能级别的GPU服务器，耗费数天时间所训练出来的模型，效果与质量都是很好的。前面三种都是以91类的COCO数据集训练出来的物件检测模型，三种模型直接的差异主要在性能与置信度之间。后面7种模型都是“单类”模型，它们均只能识别一种物件，我们可以对同一个视频去改变不同的模型，看看输出的结果如何，就能清楚“更换模型去改变功能”这句话的意思。

上表中与代码有关系的是第二行“CLI argument”，也就是我们只要将前面指令中的粗体底线（“ssd-mobilenet-v2”）进行置换，例如调用ped-100这个模型，就只能检测“pedestrians （行人）”这类物件，请将模型代码部分改成“pednet”，如此第5行内容就变成：

如果只想检测“dog（狗）”的话，就将模型代号改为“coco-dog”，去调用DetectNet-COCO-Dog这个预训练的模型，代码如下：

这么轻松的方式，就能改变调用的模型，去得到不同的结果。

为了更有效地体验不同模型的识别效果，我们用视频文件作为输入源，就更容易感受到它们之间差异，这里用系统自带的 /usr/share/visionworks/sources/data/pedestrians.mp4作为输入源，以此将10lines.py代码修改成如下：

（使用ped-100模型，只检测出“Pededtrians（行人）”物件）

（使用DetectNet-COCO-Dog模型，只检测出 “Dog（狗）” 物件）

如何，是不是很简单呢？请自行尝试更换其他的模型，当然也可以将输入源改成摄像头，用你周遭的物体来试试效果。

最后，我们来看一个预训练好的模型，以系统预设的SSD-Mobilenet-v2为例，主要文件存放在

～/jetson-inference/data/networks/SSD-Mobilenet-v2里面，浏览一下里面的内容：

可以看到以下的列表：

第一个“ssd_coco_labels.txt”存放着这个模型的类别名称，您可以打开看看。

第二个“ssd_mobilenet_v2_coco.uff”就是预训练好的模型文件，附加文件名为.uff的通常是Tensorflow训练的模型，再转换过来的中间格式。

第三个文件的末尾附加名“.GPU.FP16.engine”代表是TensorRT所建立的加速引擎，支持GPU的FP16格式。

如果检查ped-100模型的话，会看到不一样的内容，执行以下指令：

可以看到以下的列表，这样的内容肯定就是由Caffe框架训练出来的模型。