先决条件

目标板需求

开发主机需求

验证主机上NVIDIA支持包金宝app安装情况

使用检查硬件支持包安装金宝app命令，以验证主机系统是否兼容运行此示例。

checkHardware金宝appSupportPackageInstall ();

连接到NVIDIA硬件

NVIDIA GPU的GPU金宝app编码器支持包通过TCP/IP使用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，需要将目标平台与主机连接到同一网络，或者使用以太网交叉网线直接将单板与主机连接。请参考NVIDIA的文档，了解如何设置和配置您的主板。

要与NVIDIA硬件通信，必须使用杰森(NVIDIA Jetson金宝app和NVIDIA DRIVE平台的MATLAB编码器支持包)作用要创建实时硬件连接对象，必须知道目标板的主机名或IP地址、用户名和密码。

hwobj =杰森(“主机”，“用户名”，“密码”）;

如果连接失败，会在MATLAB命令行上报告诊断错误消息。如果连接失败，最有可能的原因是错误的IP地址或主机名。

当针对不同目标存在多个活动连接对象时，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。要选择执行远程构建的硬件板，请使用setupCodegenContext ()方法。如果只创建了一个活动连接对象，则没有必要调用此方法。

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_包装器.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，训练了来自ImageNet数据库的100多万张图像。输出包含图像所属的每个类的分类分数。

类型resnet50_wrapper

函数out=resnet50_wrapper（im，ocvFlag）%#codegen%wrapper函数调用resnet50预测函数版权2019-2021 MathWorks，Inc.%此示例使用OpenCV从网络摄像机读取帧并%显示输出图像。更新buildinfo以链接目标上可用的OpenCV库%。如果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`'；end coder.updateBuildInfo（'addLinkFlags'，opencv_link_flags'）；coder.updateBuildInfo（'addCompileFlags'，opencv_compile_标志）；%为了避免每次运行的多个网络负载，我们使用persistent%rnet persistent-rnet；如果为空（rnet），则rnet=resnet50（）；结束输出=rnet.predict（im）；终止

在目标上获取OpenCV版本

使用pkg-config帮助工具查询是否OpenCV 4。X安装在目标板上。本例使用该信息来更新构建信息，以链接到目标上可用的适当OpenCV库。

等密度V4=1；ocvVersion=hwobj.OpenCVVersion（）；如果(str2double(ocvVersion(1)) <= 3) isOpenCV4 = 0;结束

在目标上生成和部署CUDA代码

要生成可部署到NVIDIA目标上的CUDA可执行文件，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函数创建用于Jetson平台的配置对象，并将其分配给硬件图形处理器代码配置对象的属性cfg．

cfg。硬件= coder.hardware (英伟达杰森的）;

设置深度学习配置为“cudnn”或“tensort”

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提供一个输入给可执行文件。

用于代码生成的示例图像输入

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

自定义主文件被编码为将视频作为输入，并对视频序列中的每一帧进行分类。自定义main_resnet50.cuFile是在生成的代码中调用predict函数的包装器。后期处理步骤，如在输入框上显示输出，使用OpenCV接口添加到主文件中。

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

要生成CUDA代码并将其部署到目标，请使用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区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

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

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

使用runApplication方法来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。

runApplication (hwobj“resnet50_wrapper”）;

如果网络摄像头窗口在目标板上不可见，它可能被指向不正确的显示。使用setDisplayEnvironment命令功能设置用于在目标上重定向显示的显示环境。该值必须与$DISPLAY单板上设置的环境值。

在Jetson TX2上重置分类输出

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。

killApplication (hwobj“resnet50_wrapper”）;