目标完成25个点的OpenPose加载到Deepstream4.0完成加速，这里是25个点的prototxt，还需要engine和caffemodel，我的资源里都有的

使用深度学习（Tensorflow，Tensorflow lite，TensorRT和OpenVINO）在CPU，GPU，VPU和FPGA上实现世界上最快的ANPR / ALPR实现。 多操作系统（NVIDIA Jetson，Android，Raspberry Pi，Linux，Windows）和多Arch（ARM，x86）。 入门Android示例应用程序Benchmark（Java）VideoParallel（Java）VideoSequential（Java）ImageSnap（Java）尝试示例使用Java API将SDK添加到项目中Raspberry Pi（Raspbian OS），Linux，NVIDIA Jetson，Windows等应用程序基准（C ++）识别器（C ++，C＃，Java和Python）使用C ++ API获取帮助，网址为https://www.doubango.org/webapps/alpr/的在线Web演示，网址为https：//www.SDK .doubango.or

cuda env.zip

TensorRTx TensorRTx旨在通过tensorrt网络定义API实现流行的深度学习网络。 众所周知，tensorrt内置了解析器，包括caffeparser，uffparser，onnxparser等。但是，当使用这些解析器时，我们经常会遇到一些“不受支持的操作或层”问题，尤其是某些正在使用的最新模型新类型的图层。 那么，为什么不跳过所有解析器呢？ 我们只使用TensorRT网络定义API来构建整个网络，这并不复杂。 我写这个项目是为了熟悉tensorrt API，并与社区分享和学习。 所有模型首先在pytorch / mxnet / tensorflown中实现，然后导出权重文件xxx.wts，然后使用tensorrt加载权重，定义网络并进行推断。 在我的可以找到一些pytorch实现，其余的则来自多源开源实现。 消息 26 Apr 2021 。 添加Inceptio

tensorrt.tar.xz

tensorrt-project.tar.xz

tensorrt-network.tar.xz

Deepstream 5.1 YOLOv4应用 该Deepstream应用程序展示了以高FPS吞吐量运行的YOLOv4！ PS-单击gif观看整个视频！ 指数 深度流设置 这篇文章假设您拥有功能齐全的Jetson设备。 如果没有，您可以在参考文档。 1.安装系统依赖项 sudo apt install \ libssl1.0.0 \ libgstreamer1.0-0 \ gstreamer1.0-tools \ gstreamer1.0-plugins-good \ gstreamer1.0-plugins-bad \ gstreamer1.0-plugins-ugly \ gstreamer1.0-libav \ libgstrtspserver-1.0-0 \ libjansson4=2.11-1 2.安装Deepstream 从此处将DeepStream 5.1 Jetson

TensorRT7 官方指导文档 包含： TensorRT-Best-Practices.pdf TensorRT-Developer-Guide.pdf TensorRT-Installation-Guide.pdf TensorRT-Release-Notes.pdf TensorRT-Sample-Support-Guide.pdf TensorRT-SLA.pdf TensorRT-Support-Matrix-Guide.pdf

Tensorrt官方例程 sampleINT8 sampleINT8API sampleGoogleNet sampleOnnxMNIST sampleSSD sampleUffSSD sampleMovieLensMPS ... 等