人工智能边缘计算开发实战 基于NVIDIA Jetson Nano

本书具有如下特色： 1.内容新颖实用。对于人工智能这种高端学科来说，知难行易，比较好的学习方式就是上手实践。本书将高大上的人工智能技术拉下神坛，通过不同应用场景下的实实在在的案例来实现人工智能，使读者能够更具体地感受人工智能的魅力。 2.讲解细致，通俗易懂。书中不会基于学理去探索各种AI技术的内容，没有任何数学公式的解说，不过分关注与分析各种神经网络和深度学习框架，只要跟着一步步实践起来，就能从中有所收获。 3.配套资源丰富，赠送教学视频、所有程序源代码、开发软件工具包等，方便读者学习与练习。

本书选取当下大热的AIoT（人工智能物联网）为应用场景，以NVIDIA Jetson Nano为硬件平台，系统介绍了人工智能的开发知识，重点讲解了人工智能中边缘计算技术的应用。首先介绍了NVIDIA Jetson Nano开发平台和开发环境的配置，然后通过具体的案例介绍了人工智能边缘计算在物体检测、深度学习等领域的应用。
本书适合人工智能初学者、嵌入式开发技术人员、对人工智能技术感兴趣的青少年及创客教师自学使用，同时也可用作高等院校人工智能相关专业的教材及参考书。

无

第1章初识边缘AI计算001
1.1人工智能驱动的边缘计算002
1.2适配深度神经网络的众核架构003
1.3选择合适的人工智能学习平台006
1.4英伟达的“高效/易用/兼容”开发生态009
1.5学习边缘AI计算从Jetson上手012
1.6Jetson的AIoT成功案例与配套资源015
1.7本章小结017

第2章为Jetson设备安装开发环境019
2.1Jetpack提供完整的AIoT开发资源019
2.2用Jetpack安装Jetson设备022
2.3首次启动Jetson设备026
2.4远程控制Jetson设备027
2.5检查系统状态的基础指令031
2.6监控与调试Jetson设备的性能032
2.7配套的辅助工具034
2.8本章小结036

第3章体验Jetpack开发环境037
3.1CUDA并行计算的加速性能037
3.1.1编译CUDAsamples038
3.1.2nbody（粒子碰撞模拟）038
3.1.3oceanFFT（海洋波动模拟）040
3.1.4smokeParticles（烟雾粒子光影模拟）041
3.2高阶计算机视觉开发工具包041
3.2.1VisionWorks工具包与范例042
3.2.2VPI简介047
3.2.3VPI简易Python范例050
3.3摄像头的选择与调用053
3.3.1GStreamer流媒体框架054
3.3.2V4L2应用库055
3.3.3libargus应用库056
3.4检测摄像头057
3.4.1用v4l2-ctl检测摄像头参数057
3.4.2用NvGstCapture启动摄像头059
3.4.3用gst-launch启动摄像头060
3.5好用的OpenCV计算机视觉库061
3.5.1通过UVC调用USB摄像头062
3.5.2通过GStreamer调用CSI摄像头063
3.5.3体验三种计算机视觉算法064
3.5.4简易的人脸定位应用066
3.5.5简易的眼睛定位应用067
3.6本章小结068

第4章深度学习之推理识别070
4.1智能视觉类三大基础应用071
4.1.1图像分类（imageclassif?ication）071
4.1.2物体检测（objectdetection）073
4.1.3语义分割（semanticsegmentation）074
4.2进入HelloAIWorld076
4.2.1完整的深度神经网络（DNN）视觉库076
4.2.2主要功能模块078
4.2.3安装HelloAIWorld项目079
4.3立即体验深度学习推理效果081
4.3.1总体参数选项说明082
4.3.2imagenet成批图像的分类检测084
4.3.3imagenet的参数说明086
4.3.4detectnet物体检测指令088
4.3.5其他深度学习推理应用091
4.4用Python开发自己的深度学习推理应用094
4.4.110行代码的物体识别应用094
4.4.2获取推理检测的信息095
4.4.3添加参数解析功能，扩大适用范围097
4.5jetson.utils视觉处理工具100
4.5.1videoSource()负责全部输入源处理101
4.5.2videoOutput()负责全部输出处理104
4.5.3简单的输入/输出范例105
4.5.4RTP/RTSP视频流转向应用106
4.6本章小结109

第5章深度学习之模型训练110
5.1调试Jetson的模型训练环境111
5.2图像分类的模型训练113
5.2.1整理图像分类的数据113
5.2.2用train.py执行训练模型114
5.2.3用训练好的模型执行推理识别117
5.2.4从ImageNet获取图像119
5.3目标检测的模型训练122
5.3.1从OpenImages获取目标检测数据123
5.3.2train_ssd.py参数说明126
5.3.3执行目标检测的模型训练128
5.3.4模型训练的参数与时间比较131
5.3.5转成ONNX格式进行推理识别测试131
5.4更丰富的数据集资源134
5.4.1VOC目录结构与标注格式134
5.4.2从VOC数据集提取所需要的类别136
5.4.3从COCO数据集抽离类别并转成VOC格式138


5.4.4从ImageNet数据集抽离类别并转成VOC格式140

……