企业官网建设流程全解析

• 人工智能
• 计算机视觉
• 深度学习
• 微调

本指南聚焦 jetson-inference 项目 "Hello AI World" 系列中的关键一环：把在 DIGITS 服务器上训练完成的 GoogleNet-12 等自定义分类网络，以模型快照（snapshot）的形式下载、解压到 Jetson 设备，再通过imagenet示例程序的扩展命令行参数将其加载进 TensorRT 进行推理。读完本文，你将掌握快照下载/传输的标准流程、快照包的文件结构，以及如何用--prototxt/--model/--labels等参数把自定义网络跑在 Jetson 上，并看到对应的源码级依据。

1. 前置脉络：快照从哪来

模型快照是整个 "Training → Snapshot → TensorRT" 流程的中间产物。在此之前，你需要在 DIGITS 服务器上完成两件事：

• 准备数据集：用 tools/imagenet-download.py 这类爬虫下载 ILSVRC12 的 1000 类图片（约 100GB），或用 tools/imagenet-subset.sh 把其中 230 个细分类软链接合并成ball、bear、bike、bird、bottle、cat、dog、fish、fruit、turtle、vehicle、sign共 12 个大类；
• 在 DIGITS 中训练：创建GoogleNet-ILSVRC12-subset分类模型，通常跑满 30 个 epoch。

完整的重训练步骤见 docs/imagenet-training.md。当 DIGITS 训练任务完成、并在界面上用单张图片（如/ilsvrc12/n02127052/n02127052_1203.jpg）验证过推理结果（例如把原 GoogleNet-1000 判为Lynx的图片，被新模型正确判为cat）之后，就可以进入本指南的快照下载环节。

2. 从 DIGITS 服务器下载模型快照

2.1 浏览器下载（同一网络）

在 Jetson 的浏览器中打开 DIGITS 服务器页面，进入GoogleNet-ILSVRC12-subset模型。操作要点：

1. 在Trained Models（已训练模型）区域，从下拉框中选择想要的快照——通常选择 epoch 数最高的那个，因为训练收敛更充分、分类精度通常更好；
2. 点击Download Model按钮，浏览器即开始下载该快照的压缩包。

DIGITS 生成的快照文件名形如20170524-140310-8c0b_epoch_30.0.tar.gz，其中20170524-140310-8c0b是训练任务的唯一 ID，epoch_30.0表明这是第 30 个 epoch 保存的权重。

2.2 跨网络传输（SCP / U 盘）

如果 Jetson 与 DIGITS 服务器不在同一个网络、无法直接访问，可以按上述步骤把快照先下载到一台中间机器，再通过以下任一方式拷贝到 Jetson：

• SCP：在中间机器上执行scp 20170524-140310-8c0b_epoch_30.0.tar.gz <jetson用户>@<jetson-ip>:<目标目录>；
• USB 存储：把压缩包拷入 U 盘，再插到 Jetson 上复制。

这一方式与直接下载的唯一区别是文件传输通道不同，快照内容本身没有差异，后续解压与加载步骤完全一致。

3. 解压快照

把压缩包放到 Jetson 的合适目录（教程惯例放在仓库的networks/目录下，例如networks/GoogleNet-ILSVRC12-subset），然后在下载目录中执行解压：

cd <directory where you downloaded the snapshot> tar -xzvf 20170524-140310-8c0b_epoch_30.0.tar.gz

tar -xzvf会解压并显示文件清单（z表示 gzip 压缩、v表示 verbose、x解压、f指定归档文件）。解压后得到的是 DIGITS 导出的一套 Caffe 格式部署文件，通常包含：

注：DIGITS 导出的文件名中的迭代数（如184080）与任务训练步数相关，实际以你下载的快照为准。后续加载时--model参数要指向这个.caffemodel文件。

4. 将自定义快照加载进 TensorRT

解压完成后，即可用仓库中的imagenet示例程序把该快照编译进 TensorRT 并跑推理。仓库中对应的示例源码是 examples/imagenet/imagenet.cpp，它同时支持静态图片/视频流输入（imagenet程序可同时充当教程旧版imagenet-console/imagenet-camera的角色，通过输入/输出 URI 区分）。

先设置环境变量指向快照目录，再执行加载命令：

$ NET=networks/GoogleNet-ILSVRC12-subset $ ./imagenet bird_0.jpg output_0.jpg \ --prototxt=$NET/deploy.prototxt \ --model=$NET/snapshot_iter_184080.caffemodel \ --labels=$NET/labels.txt \ --input_blob=data \ --output_blob=softmax

其中bird_0.jpg位于仓库的 data/images/bird_0.jpg。各参数含义如下：

这些参数的解析逻辑在 c/imageNet.cpp 中可以看到：imageNet::Create(const commandLine&)先读取--network，若找不到预训练模型（FindModel失败），则读取--prototxt、--labels、--input_blob、--output_blob，并默认input="data"、output="prob"，再调用imageNet::Create(prototxt, model, ...)走自定义模型加载路径。完整的参数帮助串定义在 c/imageNet.h 的IMAGENET_USAGE_STRING中。

注意：原教程此处输出 blob 写为softmax，而代码中的默认值是prob。如果你的 DIGITS 导出 prototxt 的最终层名不同，请以deploy.prototxt里的实际层名为准——这就是为什么--output_blob需要显式指定。

5. 验证推理结果与参数生效

加载成功后，程序进入与预训练模型一致的推理循环（examples/imagenet/imagenet.cpp）：从输入流Capture一帧，调用net->Classify(image, width, height, classifications, topK)得到(classID, confidence)列表，再通过cudaFont把"95.00% bird"这样的结果叠加到输出图像上，并实时显示 TensorRT 版本与网络 FPS。

与原始 GoogleNet-1000 相比，重训练后的 GoogleNet-12 对同样的图片会输出元类别（meta-class）：例如把猫科动物统一判为cat、把 122 种犬种统一判为dog。这正验证了快照内容正确加载、TensorRT 引擎构建成功。

imagenet程序同样支持视频流/摄像头输入（把输入 URI 换成摄像头或视频文件即可，见 examples/imagenet/imagenet.cpp 中videoSource::Create的用法），因此自定义快照也能直接用于 imagenet-camera 场景 的实时识别。

6. 流程闭环与下一步

至此，一条完整的自定义识别链路已经打通：

1. imagenet-subset.sh构建 12 类数据集 → DIGITS 训练GoogleNet-ILSVRC12-subset；
2. 从 DIGITSTrained Models下载最高 epoch 快照（跨网络用 SCP/USB）；
3. tar -xzvf解压得到deploy.prototxt+.caffemodel+labels.txt；
4. imagenet加--prototxt/--model/--labels/--input_blob/--output_blob参数编译进 TensorRT 并推理验证。

下一步可以阅读 docs/imagenet-custom.md 深入了解自定义模型的更多加载细节，或转向 docs/detectnet-training.md 学习目标检测网络的训练与快照部署。若希望回看训练环节，可参考 docs/imagenet-training.md。

• 人工智能
• 计算机视觉
• 深度学习
• 微调