以 Jetson Nano 的邊緣裝置的定位，適合拿來做神經網路推論，並不適合（也不合理）跑神經網路訓練，即使可以跑也是會等到天荒地老。既然如此，拿 google 提供免費的 colab 來訓練如何？今天就來用簡單幾個指令，把原本在 Jetson Nano 跑的訓練搬上 colab！

不認識植物？AI認識！ (source: NVIDIA)

PlantCLEF 資料集

這次要訓練的資料集為 PlantCLEF 2017，涵蓋 20 種植物類別影像資料，總共 10,475 訓練資料、1155驗證資料與30張測試資料，總檔案大小為 1.5GB，可於這裡下載。 20 種植物類別如下：

• ash
• beech
• cat-tail
• cedar
• clover
• cyprus
• daisy
• dandelion
• dogwood
• elm
• fern
• fig
• fir
• juniper
• maple
• poison ivy
• sweetgum
• sycamore
• trout lily
• tulip tree

就用 colab 訓練模型吧！

筆者已經把 colab 的訓練模型寫成一個範例，其實就只是把在 Jetson Nano 上執行的幾個指令搬上 colab 而已，流程如下：

1. 下載 hello AI world 專案程式碼
2. 下載資料集
3. 訓練神經網路
4. 將指令轉換為 ONNX 格式
5. 下載模型放到 Jetson Nano
6. 進行（TensorRT 加速）推論

唯一有參數做調整的就在於訓練的指令

!python3 train.py --model-dir=models/plants data/PlantCLEF_Subset --arch=googlenet --batch-size=32 --epochs=50

這邊有幾個參數選項可以做設定

• arch - 使用的模型架構，可以選擇 alexnet, googlenet, resnet18, resnet50, vgg-16 等（參照 Day16）
• epochs - 訓練次數，因為在 colab 訓練速度較快，可以稍微提高訓練次數
• batch-size - 每一批訓練抓取檔案的數量，因為總影像高達一萬多筆，可以提高為 16 或 32。

這些都可以嘗試自行調整看看，完整說明可參照 pytorch-classification 專案。
大約不到兩分鐘可以完成一次訓練，經過30次訓練後模型 TOP-1 精確度約可提高到 70%。

訓練結束後將 pytorch 模型轉為 ONNX 格式，如果你是用 RestNet-18 檔名會是 resnet.onnx，若是 GoogleNet 則檔名為 googlenet.onnx，以此類推。最後就是將其下載回來放到 Jetson Nano 做推論了！

回到 Jetson Nano 進行推論

接下來就是回到 Jetson Nano 上，把剛訓練好的模型拿來做推論，或是也可以直接拿 NVIDIA 訓練100次的ResNet-18模型來做測試與比對。

由於在 Jetson Nano 上沒有測試資料，我們還是要重新在 Jetson Nano 上下載資料集，或是也可以從剛剛執行的 colab 上把測試資料打包下載回來。

cd jetson-inference/python/training/classification/data
wget https://nvidia.box.com/shared/static/vbsywpw5iqy7r38j78xs0ctalg7jrg79.gz -O PlantCLEF_Subset.tar.gz
tar xvzf PlantCLEF_Subset.tar.gz

此外也把剛剛從 colab 訓練好的模型也一併搬過來

cd PlantCLEF_Subset/
mv ~/Downloads/googlenet.onnx

進到 Docker 推論的容器環境

cd ~/jetson-inference/
docker/run.sh

輸入指令進行推論，一次將 30 張測試資料批量推論，一樣在第一次載入模型時會經過 TensorRT 的轉換與加速。

cd /jetson-inference/python/training/classification/data/PlantCLEF_Subset
imagenet.py --model=googlenet.onnx --input_blob=input_0 --output_blob=output_0 --labels=labels.txt "test/*.jpg" "test/output_%i.jpg"

完成後可以在資料夾看到 output_0.jpg ~ output_29.jpg 的推論結果

小結

截至目前為止影像分類的部分將告一段落，不知道各位是否覺得在 Jetson Nano 這個邊緣裝置跑推論很容易操作呢？明天開始將進入到物件偵測的環節啦！ keep fighting!!