先决条件

目标板要求

开发主机要求

创建一个文件夹并复制相关文件

下面这行代码在主机上的当前工作文件夹中创建了一个文件夹，并将所有相关文件复制到该文件夹中。如果无法在此文件夹中生成文件，请先更改当前工作文件夹再执行此命令。

nvidiademo_setup (“resnet50_deploy_金宝appsimulink”）;

连接到NVIDIA硬件

支持包使金宝app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。将目标平台连接到与主机相同的网络中，或者使用以太网交叉电缆将单板直接连接到主机。有关如何设置和配置您的电路板的信息，请参阅NVIDIA文档。

属性来创建活动硬件连接对象，以与NVIDIA硬件通信杰森函数。创建硬件活连接对象时，需要知道目标板的主机名或IP地址、用户名和密码。例如，当第一次连接到目标板时，使用命令为Jetson硬件创建一个活动对象:

Hwobj = jetson(“jetson-tx2-name”，ubuntu的，ubuntu的）;

在硬件活动对象创建期间，支持包执行硬件和软件检查、IO服务器安装并收集目标的外围设备信息。金宝app该信息显示在“命令窗口”中。

当不同目标有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板上执行远程构建。若要选择执行远程构建的硬件板，请使用setupCodegenContext ()各自活动硬件对象的方法。如果只创建了一个活动连接对象，则不需要调用此方法。

setupCodegenContext (hwobj);

检查目标板GPU环境

要验证运行此示例所需的编译器和库是否已正确设置，请使用coder.checkGpuInstall(GPU编码器)函数。

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

识别连接到目标板的摄像机

要查找连接到目标的摄像机列表，请使用getCameraList函数。要查看相机支持的分辨率，请金宝搏官方网站使用金宝app可用的决议金宝搏官方网站列。

getCameraList (hwobj)

金宝app深度学习分类的Simulink模型

用于网络金宝app摄像头图像分类的Simulink模型包含一个预测块预测分数和标签为每个类，一个NVIDIA的相机块捕获实时视频流，以及英伟达显示块显示分类的结果。使用实现附加处理操作MATLAB函数块。

open_system (“ex_DLModel”）;

的相机Block为算法的每个时间步捕获一个快照。若要选择网络摄像头并设置每个快照的分辨率，请双击相机块，并设置的名字而且图像大小如图所示。的价值图像大小必须是网络摄像头支持的分辨率。金宝app

的rgb2Img函数块转换R，G,B组件的输出。相机块到RGB平面图像。然后将生成的图像作为输入提供给resizeImg函数块，将图像大小调整为Resnet-50网络的输入图像大小。Resnet-50网络的输入图像大小为224 × 224 × 3。

的预测块从深度学习工具箱获取一个单一的输入图像帧，并通过使用预训练的图像上运行预测resnet50卷积神经网络。ResNet-50是一个经过100多万张图片训练的DAG网络ImageNet数据库。输出包含图像所属的每个类的分类分数。双击预测块打开块参数，并设置深度网络为resnet50如图所示。

的calcFPS函数块计算预测块，并计算在目标上显示的平均每秒输出帧数(FPS)。

输出分数、输出的平均每秒帧数(FPS)和输入图像提供给ainsertResult函数块，用前5个预测标签、对应的分数和平均每秒帧数标注输入图像。

函数[outR,outG,outB] = insertResult(inpImg, scores, fps)

[scores,index] = sort(scores, index)“下”）;

在图像中插入有分数的预测

%垫形象outImg = padarray(inpImg，[0,200]，0，“以前”）;

载入分数Index5 =索引(1:5);synsetData = code .load(“synsetWords.mat”）;synsetData = synsetData. synsetarray;

平均帧数outImg = insertText(outImg， [10 80]，[' fps: 'sprintf (' % 0.2 f ', fps)),“AnchorPoint”，“LeftBottom”）;

插入排名前5的预测和相应的分数为i=1:5 str = strtrim(synsetData(index5(i)，:));outImg = insertText(outImg， [10 50+30*(i+1)]，[str .“:”sprintf (' % 0.2 f '分数(我)* 100)“%”),“AnchorPoint”，“LeftBottom”）;结束

将图像分成R,G,B个分量outR = outImg(:，:，1)';outG = outImg(:，:，2)';outB = outImg(:，:，3)';

生成的输出图像提供给英伟达显示块，在运行应用程序时打开显示窗口，显示目标上的输出图像。

为仿真和部署配置模型

要生成CUDA代码，模型必须通过以下设置启用:

set_param (“ex_DLModel”，“TargetLang”，“c++”）;set_param (“ex_DLModel”，“GenerateGPUCode”，CUDA的）;

本例中的模型被预先配置为生成CUDA代码。

有关在Simulink中生成GPU代码的更多信息，请参见金宝app代码生成从Simulink模型与GPU编码金宝app器(GPU编码器)．

深度学习目标库必须设置为“CuDNN”在代码生成过程中，

set_param (“ex_DLModel”，“DLTargetLibrary”，“cudnn”）;

有关更多信息，请参见基于MATLAB函数块的深度学习网络GPU代码生成(GPU编码器)而且GPU代码生成块从深度神经网络库(GPU编码器)．

模型配置参数为构建过程和部署提供选项。

1.打开配置参数对话框，硬件实现窗格。选择硬件板作为英伟达杰森(或NVIDIA驱动）.

2.在目标硬件资源部分，输入设备地址，用户名,密码你的NVIDIA Jetson目标板。

3.设置建立行动，建立目录,显示如图所示。的显示表示显示环境，并允许将输出显示到与环境对应的设备。

4.点击应用而且好吧．

在目标板上生成和部署模型

1.为模型生成CUDA代码，将代码部署到目标，并运行可执行文件，打开硬件选项卡中的Simuli金宝appnk编辑器。

2.选择构建、部署和启动在硬件上生成和部署代码。

Jetson TX2上的ResNet-50分类

当应用程序在目标上启动时，会打开一个SDL窗口，显示网络摄像头捕获的每一帧视频流的分类结果。

停止应用程序

要停止目标上的应用程序，请使用stopModel硬件对象的方法。

stopModel (hwobj“ex_DLModel”）;

值得尝试的事情

1.本例使用cuDNN作为深度学习代码目标库。可以通过运行以下命令将其更改为NVIDIA TensorRT。这就要求在Jetson平台上必须安装NVIDIA TensorRT -高性能深度学习推理优化器和运行时库。

set_param (“ex_DLModel”，“DLTargetLibrary”，“tensorrt”）;

2.此示例设置硬件实现为英伟达杰森．用户可以使用NVIDIA驱动作为目标硬件。

3.摄像块的图像分辨率可根据需要进行调整。

关闭模式

运行close_system关闭模型。

close_system (“ex_DLModel”, 0);

清理

要删除示例文件并返回到原始文件夹，请调用清理函数。

清理