【接上文】当前面已经训练好修剪过的模型之后,接下来就可以在训练设备上先执行推理计算,看看检测的效果如何?如果实际推理结果并不理想的话,就得回到前面第6步骤重新再执行一次。
这边首先创建一个 test_samples 目录,然后从数据集中testing/image_2中复制一些图像过来测试,推理结果输出到ssd_infer_images目录下,这个推理计算也可以使用未修剪的模型来进行测试。
在代码框 ”!tao ssd inference” 后面所提供的参数中,下面两行是使用修剪后并重新训练的模型来进行推理。
-e $SPECS_DIR/ssd_retrain_resnet18_kitti.txt \ -m $USER_EXPERIMENT_DIR/experiment_dir_retrain/weights/ssd_resnet18_epoch_$EPOCH.tlt \ |
如果将这两行参数改成下面内容,就是用原始模型来进行推理。
-e $SPECS_DIR/ssd_train_resnet18_kitti.txt \ -m $USER_EXPERIMENT_DIR/experiment_dir_unpruned/weights/ssd_resnet18_epoch_$EPOCH.tlt \ |
这样我们可以执行透过推理结果,来查看二者的不同。下面两张图分别是未修剪(上)与修剪后(下)模型推理结果的局部放大,虽然修剪后的模型效果不如未修剪的,但是执行结果还是令人满意,当然这得看您的要求有多高。
如果认可这个推理结果的话,那么训练阶段的任务就可以告一段落,接下去就准备将模型导出,以便部署到真是的推理设备上。
要执行这个步骤,最好先确认您的推理设备上所能支持的数据精度,特别是INT8类型,例如Jetson Nano(含2GB)、TX2/TX1就不支持,Xavier NX与AGX Xavier是支持的。台式机上的游戏卡一般不支持INT8,而Tesla、Quadro专业卡是支持的,不过NVIDIA全系列产品都支持FP16,如果不能确认这方面的信息,至少选择FP16是比较稳妥。
简单说明一下代码框 “!tao ssd export” 后面的参数:
-m |
选择要导出的模型,可以是未修剪的或者修剪过的 .tlt 文件 |
-o |
输出的模型文件名,以 .etlt 为附加档名 |
-e |
使用的配置文件, 导出未修剪的.tlt文件,则配置文件使用xxx_train_xxx.txt, 导出修剪过的.tlt模型,则配置文件使用xxx_retrain_xxx.txt |
--data_type |
指定导出模型可用的最低数据精度,例如 fp32、fp16、int8 |
--gen_ds_config |
这个参数是针对DeepStream视频分析软件,如果给定的话,就是同时生成“nvinfer_config.txt”这个DeepStream会用到的配置文件 |
假如要输出INT8模型时,由于需要特殊算法以及辅助的校准工具,因此需要其他参数来协助这类模型的导出,主要如下:
--cal_image_dir |
作为校准用途的图像数据目录 |
--batches |
每次校准所用的图像数量 |
--cal_cache_file |
存放校准过程文件的路径 |
--cal_data_file |
存放校准最终的张量文件 |
这样就能完成INT8模型的输出任务。
到这里所输出的.etlt模型文件基本上已经可以部署到DeepStream推理设备上使用,因为DeepStream支持.etlt格式的调用,相当方便。但如果要用其他独立的TensorRT来执行加速推理的话,就需要在推理设备上再进行一次的转换。
本步骤最后一个代码块 ”!tao converter” 就是在训练设备上,将 .etlt 模型转成这台机器能使用的TensorRT引擎文件。由于参数内容较多,这里不一一列举,请自行至https://docs.nvidia.com/tao/tao-toolkit/text/object_detection/ssd.html搜索“Using the tao-converter”环节,有详细的参数说明。
要注意的一点,在 ”!tao converter” 所使用的 ”-t” 指定数据精度部分,需要与前面 “!tao ssd export” 的 “--data_type” 一致,否则会失去效果。
这个步骤是验证TensorRT加速引擎的推理效果,主要让我们在部署到推理设备之前,能再确认一下推理效果。
下面同样提供两张推理结果参照图,上图是未修剪的模型转成TensorRT引擎的推理结果,下图是修剪过的模型转成TensorRT引擎的推理结果,效果看起来是一样的,表示这个修剪过的模型还是足够好的。
现在就完成一个物件检测模型训练的过程,虽然看起来繁琐,但是只要我们弄清楚一开始的路径对应,以及熟练后面每个环节的参数用法,基本上要比在框架中自行撰写代码容易得多了,除了收集与整理数据的工作是TAO工具无法协助的,其余部分已经都为大家提供好完整的指令块,这是一个真正“Zero Coding”的全方位模型训练工具。【完】
好文章,需要你的鼓励
施耐德电气以“新质服务+产业向‘新’行”为主题,第六次参会,展示全新升级的“新质服务体系”,围绕创新驱动、生态协同和行业赋能三大核心领域,以全新升级的“新质服务体系”,助力中国产业向高端化、智能化、绿色化迈进。
香港中文大学联合上海AI实验室推出Dispider系统,首次实现AI视频"边看边聊"能力。通过创新的三分式架构设计,将感知、决策、反应功能独立分离,让AI能像人类一样在观看视频过程中进行实时交流,在StreamingBench测试中显著超越现有系统,为教育、娱乐、医疗、安防等领域的视频AI应用开启新可能。
甲骨文正在成为大规模基础设施供应商的可靠选择。该公司通过AI技术推动应用开发,构建GenAI模型并将智能代理集成到应用套件中。CEO萨弗拉·卡茨透露,公司剩余履约义务达4553亿美元,同比增长4.6倍,并预测OCI收入将从2026财年的180亿美元增长至2030财年的1440亿美元。甲骨文正积极布局AI推理市场,凭借其作为全球最大企业私有数据托管方的优势地位,有望在云计算领域实现重大突破。
Atla公司发布Selene Mini,这是一个仅有80亿参数的AI评估模型,却在11个基准测试中全面超越GPT-4o-mini。通过精心的数据筛选和创新训练策略,该模型不仅能准确评判文本质量,还能在医疗、金融等专业领域表现出色。研究团队将模型完全开源,为AI评估技术的普及和发展做出贡献。