【入门篇】Jetson TX2深度学习Inference初体验

前面如果已经在Jetson TX2安装好JetPack和Caffe（【入门篇】一个小白在Jetson TX2上安装caffe的踩坑之旅 ），我们接下来可以尝试在Jetson TX2上跑一些深度学习的测试代码。

NVIDIA提供了套教程，教程里包含了开发指南、TensorRT示例代码，甚至包括ImageNet和DetectNet示例在内的预先训练的网络模型，让您能够在Jetson TX1/TX2开发套件上加载并运行预训练的深层神经网络，并学习如何使用自己的数据集重新培训网络用来生产演示（点击阅读原文，观看完整官方教程）

今天我们来学习在TX2上用ImageNet来运行几个预训练的图像分类的代码。

下面是我们的运行步骤，这个步骤也是完全遵照NVIDIA的教程，我们都实际跑成功了：

1

NVIDIA提供了一个“源码”，是一款基于tensorr的深度学习原语，用于在实时的摄像头中运行google/alexnet，可用于做图像识别和具有定位功能的步行检测网络(即提供边界框)，以及分割。

所以首先我们需要在Jetso上用源码进行编译：

1. 在TX2上安装git和cmake:

$ sudo apt-get install git cmake

2. 从 jetson-inference 源上复制:

$ git clone http://github.com/dusty-nv/jetson-inference

3.配置cmake:

$ cd jetson-inference
$ mkdir build
$ cd build
$ cmake ../

4.编译项目：

$ cd jetson-inference/build
$ make

运行到这一步，可能会出现错误，提示nvidia.app.box.com链接不上，导致模块下载不下来。

我也没有什么特别好的解决方式，况且我的网络也已经了，但也是出了这个问题。在这步卡了半天，换了同事重复执行以上步骤几次后，居然就链接上了....

链接上后各种编译需要花费一些时间，但是等待的时间是值得的。如果没有意外，环境就配置好了。这个时候我们查看一下Jetson-inference下有哪些文件：

2

接下来我们开始用Imagenet来做图像分类。

首先，尝试使用imageNet控制台程序来测试一些示例图像中的imageNet识别。它加载一个图像，使用TensorRT和imageNet类来执行推断，然后覆盖分类并保存输出图像。

首先进入此目录：

$ cd jetson-inference/build/aarch64/bin

我们进到这个目录里也可以看到已经有不少图片

然后，用imagenet-console程序对一个示例图像进行分类。imagenet控制台接受两个命令行参数:输入图像的路径和输出图像的路径。

按照教程，我们去识别一个橙子

$ ./imagenet-console orange_0.jpg output_0.jpg

运行结果显示这个图案97%的可能性是橙子

举一反三，我们再测试一个文件夹里的图案，比如一个鸟的图案，它的文件名是qqq.jpg：

$ ./imagenet-console qqq.jpg output_0.jpg

运行结果显示这个图案99%的可能性是知更鸟类

你也可以测试其它的图案，会不会开始有点感觉了？

3

接下来我们测试实时摄像头识别演示

与上一个示例类似，实时图像识别演示在/aarch64/bin中被称为imagenet-照相机。它运行在实时的摄像机流上，取决于用户参数，加载google lenet或alexnet使用TensorRT。

$ ./imagenet-camera googlenet      
$ ./imagenet-camera alexnet       

TX2自带摄像头设备识别出的图案类别显示在窗口标题栏上。默认情况下，应用程序可以识别多达1000种不同类型的对象，因为google lenet和Alexnet在ILSVRC12 ImageNet数据库中进行了培训，该数据库包含1000类对象。您可以在数据/网络/ilsvrc12 synsetwords.txt中找到包含1000种对象的名称的映射。

来吧，应该是可以了。注意，TX2摄像头出厂时候镜头贴了一层保护膜，你可以把它去掉，显示会更清晰！

我放了一个招财猫储蓄罐在摄像头面前

显示器显示86%可能性是~~茶壶~~确实有点像茶壶啊！

大家可以玩起来了！

欢迎大家继续关注我们的公众号，更欢迎大家能跟我们一起做踩坑教程。

为了完成本次教程，Ladycat也贡献了力量！