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 Googlenet）以及除了源图像之外的训练数据集中包括的边界坐标标签。

本教程包含以下预训练的 DetectNet 模型：

1. ped-100 (single-class pedestrian detector)

2. multiped-500 (multi-class pedestrian + baggage detector)

3. facenet-120 (single-class facial recognition detector)

4. coco-airplane (MS COCO airplane class)

5. coco-bottle (MS COCO bottle class)

6. coco-chair (MS COCO chair class)

7. coco-dog (MS COCO dog class)

与前面的示例一样，提供了用于使用 detectNet 的控制台程序和相机流程序。

从命令行检测对象

该detectnet-console 程序可用于查找图像中的对象。要加载repo 附带的预训练对象检测模型之一，可以将预训练模型名称指定为第 3 个参数 detectnet-console：

$ ./detectnet-console ./images/dog_1.jpg output_2.jpg --network=coco-dog

上面的命令将处理 dog_1.jpg，使用预训练的 DetectNet-COCO-Dog 模型将其保存到

output_2.jpg。这是各种各样的快捷方式，因此如果您不愿意，您不需要自己训练模型。

提供预训练的 DetectNet 模型

下面是使用 repo 下载的预训练的 DetectNet 快照表（位于data/networks 运行 cmake 步骤后的目录中）以及 detectnet-console 用于加载预训练模型的相关参数：

这些都已经应用了上面的 python 层补丁。

在 Jetson 上运行其他 MS-COCO 模型

让我们尝试运行一些其他 COCO 模型。这些培训数据都包含在上面下载的数据集中。虽然上面的DIGITS 训练示例是针对 coco-dog 模型的，但是可以遵循相同的程序来训练DetectNet 对样本 COCO 数据集中包含的其他类。

$ ./detectnet-console ./images/bottle_0.jpg output_3.jpg --network=coco-bottle

$ ./detectnet-console ./images/airplane_0.jpg output_4.jpg --network=coco-airplane

在 Jetson 上运行行人模型

回购中还包括预训练的 DetectNet 模型以检测人类。这些 pednet 和multiped 模型识别行人，同时 facenet 识别面孔（来自 FDDB）。以下是在拥挤的空间中同时检测多个人的示例：

$./detectnet-console ./images/peds_0.jpg output_5.jpg --network=multipe

多类目标检测模型

使用多重模型（PEDNET_MULTI）时，对于包含行李或行李以及行人的图像，第二个对象类将使用绿色叠加层渲染。

$ ./detectnet-console ./images/peds_3.jpg output_6.jpg --network=multiped