Jetson Nano 2GB 系列文章(14)（jetson nano 20.04）

在本系列上一篇文章中，给大家介绍了 face_recognition 库的身份识别功能。接下来，我们将用几篇文章为读者讲解 NVIDIA 的 Jetson-inference，这个对于初学者尤为实用。本篇文章就来为大家介绍 Hello AI World。

要使用 NVIDIA Jetson Nano 边缘计算设备，就一定要先熟悉官方所提供的入门教程，在 https://elinux.org/Jetson_Nano#Getting_Started 即可找到。（如下图）

在 Nano 4GB 版与 2GB 版的教程目录中，最下方的 “Next Step”（如下图）都推荐使用者去 “Hello AI World” 项目进行体验。

按照过去的经验，所有应用的 “Hello World” 都只是简单地打印一条信息而已，验证系统是否已经正常安装，其实并无其他意义。

但是 NVIDIA “Hello AI World” 却与之不同，其不仅包含视觉类深度学习的三大主流推理应用：图像分类、物件检测、语义分割，最重要的还在于以下三点：

1. 本项目是开源的，包括 C++ 版本源代码与 Python 版本的源代码

2. 本项目提供非常高阶的接口，重点 API 只有以下 5 个：

(1) imageNet（）：用来处理图像分类的推理识别计算

(2) detectNet（）：用来处理物件检测的推理识别计算

(3) segNet（）：用来处理语义分割的推理识别计算

(4) videoSource（）：集成 7 种数据源输入类型与 16 种数据格式

(5) videoOutput（）：集成 5 种输出类型与 16 种数据格式

3. 本项目非常高效地调用了 NVIDIA Jetson 的硬件计算资源，提供了非常优异的性能：

(1) imageNet()、detectNet() 与 segNet() 三种推理计算，都自动调用 TensorRT 加速引擎，展现出了非常优异的性能，在 Jetson Nano 上都能得到 20FPS 以上的实时性能。

(2) videoSource() 与 videoOutput() 这两个负责输入 / 输出的函数，自动调用 Jetson 上的 NVENC / NVDEC 这些硬解码芯片的功能，协助处理视频编解码时的计算，此外也使用高阶技巧，将许多标准的图像处理计算，包括放大 / 缩小、旋转、颜色空间转换、FFT 计算等，全部有效调用上百个 CUDA 计算核来处理，让整个输入 / 输出部分变得非常流畅。

因此，本系列的内容，就是对 “Hello AI World” 做深入的挖掘，让大家不仅能够轻松体验 Jetson 设备的深度学习识别性能，更希望大家能够利用好这些已经编译好的库，去开发自己的专属应用。

接下来将正式进入 “Hello AI World” 项目，事实上点击链接之后，就会进入到 Github 的一个仓（repository），链接地址为 https://github.com/dusty-nv/jetson-inference ，首页部分会看到如下面的图片。

在 “Table of Contents” 下面的 “Hello AI World” 的列表，是本系列的主题内容，主要包括“系统安装（System Setup）”、“推理识别（inference）” 与 “模型训练（Training）” 三大部分，由于内容十分丰富，因此需要按部就班地针对个别细节，引导使用者逐步熟悉并掌握深度学习三大应用的技巧。

接下来列出 Hello AI World 项目内容：

1. 系统设置（System Setup）

• 使用 JetPack 设置 Jetson
• 运行 Docker 容器
• 从源代码构建项目

2. 推理识别（Inference）

• 用 ImageNet 对图像进行分类 - 在 Jetson 上使用 ImageNet 程序 - 编写自己的图像识别程序（Python） - 编码自己的图像识别程序（C++） - 运行实时摄像机识别演示
• 用 DetectNet 定位物体- 从图像中检测对象- 运行实时摄像头检测演示- 编写自己的目标检测程序
• 基于 SegNet 的语义切分- 从命令行分割图像- 运行实时摄像机分割演示

3. 模型培训（Training）

• 用 PyTorch 进行迁移学习
• 分类/识别（ResNet-18）- 猫 / 狗数据集再训练- PlantCLEF 数据集的再训练- 收集自己的分类数据集
• 目标检测（SSD Mobilenet）- 再培训 SSD Mobilenet- 收集自己的检测数据集

以上所列出的内容，主要着重于每个功能函数的实验，其中以更换预训练模型选项去改变识别效果，以及调整输入、输出种类为主，主要是为了能够让使用者在两小时内，轻松体验三大应用的推理识别应用，以及 Jetson 的强大性能。

不过大部分初学者经历了体验过程的兴奋感之后，发现还是不知该如何修改代码或调用函数，去执行自己想要开发的应用。因此在我们所安排的系列文章中，所有的范例全部以 Python 代码为主，并且会比较深入地说明代码级别的内容，让大家能更深入掌握使用的技巧，最终能善加利用这个优异的深度学习库去开发自己的应用。

下一篇文章起，我们将带领大家一起来学习如何快速构建 AI 应用。