-
![Jetson-nx国产开发套件使用手册]()
-
![板载摄像头教程]()
板载摄像头教程
板载摄像头教程 如何测试摄像头，打开Jetson 设备的终端 输入命令：nvgstcapture-1.0 ，摄像头就会起来了 此方法只能打开一个摄像头,且不容易关闭,非常麻烦.下面介绍使用python代码打开两路csi 摄像头的方法.1.安装traitlets 首先记得查看自己的python版本，以python3.7为分界线。 python3.7以下用traitlets 4.x；(如未安装pip3
2022-04-27 admin
-
![测试tensorflow]()
测试tensorflow
1.以下指令检测 tensorflow 是否成功安装。python3import tensorflow as tf tf. version 查询 tensorflow 安装路径为:tf. path 查询结果如下: 2.测试 TensorFlow 跑一段自己写的非线性回归代码， 速度还是挺快的， 使用 vi 新建 python 文件命名： tensorflowDemo.py 然后复制以下代码
2022-04-27 admin
-
![TensorRT 板载摄像头实时图像识别教程]()
TensorRT 板载摄像头实时图像识别教程
1、进入执行的目录假如你在 jetson-inference 目录下请执行以下目录。cd build/aarch64/bin/ 2、执行图像识别命令这个时候最好能通过桌面执行，否则可能看不到摄像头的界面，或者通过 VNC 远程桌面连接。 进入到 jetson-inference/ aarch64 / bin 目录下：实时图像识别演示位于 jetson-inference/ aarch64 / bi
2022-04-27 admin
-
![TensorRT USB 摄像头实时图像识别教程]()
TensorRT USB 摄像头实时图像识别教程
1、检测摄像头设备 假如你在 jetson-inference 目录下。如下图，执行：ls /dev确定是否有 video0 这个设备，有可能多个摄像头时，注意后面的编号不同。2、参数介绍与前面的imagenet-console 示例类似，相机应用程序构建在该/aarch64/bin 目录中。它们在带有 OpenGL 渲染的实时摄像机流上运行，并接受 4 个可选的命令行参数：--network 标
2022-04-27 admin
-
![Jetson之 TensorRT 环境搭建(jetson-inference)]()
Jetson之 TensorRT 环境搭建(jetson-inference)
NVIDIA TensorRT™是一个高性能深度学习推理平台。它包括深度学习推理优化器和运行时，可为深度学习推理应用程序提供低延迟和高吞吐量。在推理期间，基于 TensorRT 的应用程序比仅 CPU 平台的执行速度快 40 倍。使用 TensorRT，您可以优化在所有主要框架中培训的神经网络模型，以高精度校准低精度，最后部署到超大规模数据中心，嵌入式或汽车产品平台。TensorRT 构建于NVI
2022-04-27 admin
-
![使用 DetectNet 定位对象坐标]()
使用 DetectNet 定位对象坐标
先前的图像识别示例输出表示整个输入图像的类概率。我们在本教程中强调的第二个深度学习功能是检测对象，并找到视频中这些对象所在的位置（即提取其边界框）。这是使用'detectNet' - 或对象检测/本地化网络执行的。该 detectNet 对象接受 2D 图像作为输入，并输出检测到的边界框的坐标列表。为了训练对象检测模型，首先使用预训练的ImageNet 识别模型（如 Googlen
2022-04-27 admin
-
![YOLOv4 环境搭建和摄像头实时检测]()
YOLOv4 环境搭建和摄像头实时检测
因为用的是opencv4 所以使用 yolo3 编译可能回出错，可以换成 yolov4 或yolov4-tiny， 同时 YOLO V4 无论在精度和速度上都较 YOLO V3 有了很大的提升，为在性能受限的嵌入式设备上部署检测程序提供了可能。yolov4 和 yolov4-tiny 的区别是：tiny 是yolov4 的压缩版，主要运行小算力 cpu 核心版本，在 jetso nano 上使用
2022-04-27 admin
