[笔记]darknet(.weights)—＞onnx—＞.engine

利用darknet训练YOLOv4，利用TensorRT部署到Jetson平台（用的是Xavier，Jetpack4.5）。第0，1，2步是在Station上完成的，第3步是在Xavier上完成的。

0.利用darknet训练YOLOv4，生成.weights权重。
1.先在pytorch的虚拟环境中安装onnxruntime。利用https://github.com/Tianxiaomo/pytorch-YOLOv4中的demo_darknet2onnx.py脚本（根据实际情况做修改，参考README.md），将在上一步训练好的权重和.cfg文件复制到该项目中，再找一张测试用图，然后执行

python demo_darknet2onnx.py cfg/yolov4.cfg YOLOv4_darknet_weights/yolov4.weights 000000002149.jpg -1

2.因为现在将生成好的.onnx复制到Xavier上，执行trtexec会报错：
[TRT] onnx2trt_utils.cpp:198: Your ONNX model has been generated with INT64 weights, while TensorRT does not natively support INT64. Attempting to cast down to INT32.
所以需要先简化.onnx，参考https://blog.csdn.net/weixin_41010198/article/details/107712487
安装onnx-simplifier

pip3 install onnx-simplifier

然后执行

python3 -m onnxsim yolov4_-1_3_608_608_dynamic.onnx yolov4_-1_3_608_608_dynamic_sim.onnx --dynamic-input-shape --input-shape 1,3,608,608

这样就是成功了，将yolov4_-1_3_608_608_dynamic_sim.onnx拷贝到Xavier上。

3.将yolov4_-1_3_608_608_dynamic_sim.onnx拷到Xavier中，执行trtexec看一下报不报错
（Jetpack4.5带有TensorRT7.1.3，如果这里找不到trtex命令，是因为没有添加环境变量）

trtexec --onnx=yolov4_-1_3_608_608_dynamic_sim.onnx --minShapes=input:1x3x608x608 --optShapes=input:4x3x608x608 --maxShapes=input:8x3x608x608 --saveEngine=YOLOv4.engine --workspace=2048 --fp16

依然会出现 warning [W]
然后在这要等好久
等呀等，没白等，PASSED！