tensorrt_yolo_node#

一、收发topic#

  1. 该节点订阅topic

    • “in/image”

  2. 该节点发出去的topic

    • “out/image” -可视化

    • “out/objects” -模型推理结果

二、节点初始化的参数#

  • 有以下一堆参数

  1. onnx_file: 这是YOLO模型的ONNX文件路径。ONNX是一个开放格式，用于存储训练好的深度学习模型，可以跨多种框架使用。这里的路径是模型文件的位置，TensorRT可以使用这个文件来构建优化后的推理引擎。

  2. engine_file: 这是TensorRT引擎文件路径。如果已经有了优化后的TensorRT引擎文件，就可以直接加载这个文件，避免重复从ONNX模型构建引擎，节省时间。

  3. label_file: 标签文件的路径，这个文件包含了类别标签，用于将模型输出的索引映射到实际的物体类别名称。

  4. calib_image_directory: 用于INT8量化校准的图像目录。当使用INT8模式时，需要这些图像来优化模型以在推理时减少精度损失。

  5. calib_cache_file: 校准缓存文件的路径，这是TensorRT在执行INT8校准时使用的文件，存储了校准数据，用以加速后续的校准过程。

  6. mode: 这是运行模式，通常为”FP32”, “FP16”, 或 “INT8”，指定TensorRT优化后的引擎应该使用的精度。FP32是单精度浮点数，FP16是半精度浮点数，而INT8是8位整数。

  7. gpu_id: 指定用于推理的GPU设备ID。如果有多个GPU，可以通过这个参数指定哪个GPU用于运算。

  8. num_anchors: YOLO模型使用的锚点数量。锚点是预定义的框，用于检测过程中的边界框。

  9. anchors: 锚点的尺寸，是一个浮点数的向量，表示每个锚点的宽度和高度。

  10. scale_x_y: YOLO v4模型中一个新特性的缩放因子，用于改变锚点预测的框。

  11. score_thresh: 得分阈值，用于过滤掉得分较低的预测，降低假阳性。

  12. iou_thresh: 交并比阈值，用于非最大抑制（NMS），以去除重叠较多的冗余框。

  13. detections_per_im: 每帧的最大检测数。

  14. use_darknet_layer: 一个布尔值，指定是否使用YOLO的Darknet层次结构。

  15. ignore_thresh: 忽略阈值，用于过滤YOLO模型中的某些预测。

三、回调函数#

四、问题#

  1. calib_image_directory是用于INT8量化校准的图像目录。当使用FP32模式时，还需要这个量化校准的图像吗？