先决条件

目标板需求

开发主机需求

在主机上验证NVIDIA支持金宝app包安装

使用checkHardware金宝appSupportPackageInstall函数来验证主机系统与运行此示例的兼容性。

checkHardware金宝appSupportPackageInstall ();

连接到NVIDIA硬件

NVIDIA GPU的GPU金宝app编码器支持包使用TCP/IP上的SSH连接来执行命令，同时在Jetson平台上构建和运行生成的CUDA代码。因此，您必须将目标平台与主机连接到同一个网络，或者使用以太网交叉网线将单板直接连接到主机。关于如何设置和配置您的主板，请参阅NVIDIA文档。

要与NVIDIA硬件通信，必须使用杰森NVIDIA Jetson和金宝appNVIDIA DRIVE平台MATLAB编码器支持包函数。您必须知道目标板的主机名或IP地址、用户名和密码，才能创建一个活动的硬件连接对象。

hwobj =杰森(“主机”，“用户名”，“密码”）;

在连接失败的情况下，将在MATLAB命令行上报告诊断错误消息。如果连接失败，最可能的原因是不正确的IP地址或主机名。

当有多个针对不同目标的活动连接对象时，代码生成器将在为其创建最近活动对象的目标上执行远程构建。若要选择执行远程构建的硬件板，请使用setupCodegenContext ()方法对应的活动硬件对象。如果只创建了一个活动连接对象，则不需要调用此方法。

hwobj.setupCodegenContext;

在目标机上验证GPU环境

使用coder.checkGpuInstall函数来验证运行此示例所需的编译器和库是否已正确设置。

envCfg = coder.gpuEnvConfig (“杰森”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;envCfg。HardwareObject = hwobj;coder.checkGpuInstall (envCfg);

ResNet-50入口点函数

的resnet50_wrapper.m入口点函数使用预先训练的ResNet-50网络对图像进行分类。ResNet-50是一个DAG网络，它对来自ImageNet数据库的100多万张图像进行了训练。输出包含图像所属的每个类的分类分数。

类型resnet50_wrapper

function out = resnet50_wrapper(im,ocvFlag) %#codegen % Wrapper函数调用ResNet50预测函数。这个例子使用OpenCV从网络摄像头读取帧并%显示输出图像。更新buildinfo链接OpenCV库%可用的目标。if ocvFlag opencv_link_flags = ' ' pkg-config——libs opencv4 ';Opencv_compile_flags = ' pkg-config——cflags opencv4 ';Else opencv_link_flags = ' pkg-config——libs opencv ';Opencv_compile_flags = ' pkg-config——cflags——libs opencv ';结束coder.updateBuildInfo (addLinkFlags, opencv_link_flags);coder.updateBuildInfo (addCompileFlags, opencv_compile_flags);为了避免每次运行时的多次网络负载，我们使用persistent % rnet; if isempty(rnet) rnet = resnet50(); end out = rnet.predict(im); end

获取目标上的OpenCV版本

使用pkg-config帮助工具查询是否OpenCV 4。目标板上已安装X。此示例使用该信息更新构建信息，以链接到目标上可用的适当OpenCV库。

试一试OpenCVver = strtrim(系统(hwobj,“pkg-config——modversion opencv4”));isOpenCV4 = 1;抓OpenCVver = strtrim(系统(hwobj,“pkg-config——modversion opencv的));isOpenCV4 = 0;结束

在目标上生成和部署CUDA代码

要生成可部署在NVIDIA目标上的CUDA可执行文件，需要创建一个GPU编码器配置对象来生成可执行文件。

cfg = coder.gpuConfig (exe”）;

使用coder.hardware函数来为Jetson平台创建一个配置对象，并将其分配给硬件属性cfg．

cfg。硬件= coder.hardware (英伟达杰森的）;

设置深度学习配置为“cudn”或“tensorrt”

cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;

在本例中，代码生成使用图像作为输入。然而，网络摄像头流在部署后被输入到可执行文件。

代码生成的示例图像输入

我=单(imread (“peppers.png”));[224224] im = imresize (im);

自定义主文件被编码为以视频作为输入，并对视频序列中的每一帧进行分类。自定义main_resnet50.cuFile是一个包装器，它在生成的代码中调用预测函数。使用OpenCV接口在主文件中添加了一些后处理步骤，比如在输入帧上显示输出。

cfg。CustomSource = fullfile (“main_resnet50.h”）;cfg。CustomSource = fullfile (“main_resnet50.cu”）;

生成CUDA代码并将其部署到目标上，使用codegen函数，并传递GPU代码配置对象。在主机上进行代码生成之后，将复制生成的文件并在工作空间目录中的目标上构建。

codegen配置cfgarg游戏{im, coder.Constant (isOpenCV4)}resnet50_wrapper报告

在目标上运行应用程序

使用。将synsetWords_resnet50文本文件从主机复制到目标设备putFile命令。

hwobj.putFile (“synsetWords_resnet50.txt”, hwobj.workspaceDir);

使用runApplication方法在目标硬件上启动应用程序。应用程序将位于工作区目录中。

hwobj.runApplication (“resnet50_wrapper”）;

如果网络摄像头窗口在目标板上不可见，它可能被定向到不正确的显示。使用setDisplayEnvironment命令用来设置用于重定向目标上的显示的显示环境。该值必须与显示美元单板上设置的环境值。

Jetson TX2上的Resnet分类输出

关闭应用程序

使用killApplication方法来杀死目标上正在运行的应用程序。

hwobj.killApplication (“resnet50_wrapper”）;