Leetop Jetson Cloud Demo 3：MMAPI演示

在Leetop官网取得使用权限后，可以在设备端做如下测试。

支持如下的设备：
Module Jetpack config Software other SW HW
Orin devkit module 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk NV devkit
Orin 32G 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk NV devkit
Orin devkit module 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Orin 32G 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Orin devkit 35.0 EA V2 Orin nx 16G DS + Full Jetpack + Pytorch + TF Todesk
Orin devkit 35.0 EA V2 Orin nx 8G DS + Full Jetpack + Pytorch + TF Todesk
Xavier devkit module 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk NV devkit
Xavier 32G 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier Industry 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier Industry 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk NV devkit
Xavier NX 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier NX 16G 35.0 EA V2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Nano R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
TX2 NX R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier devkit module R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk NV devkit
Xavier 32G R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier Industry R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier Industry R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk NV devkit
Xavier NX R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board
Xavier NX 16G R 32.7.2 default DS + Full Jetpack + Pytorch + TF Todesk Leetop carry board

MMAPI
视频流分析(backend video analytics)
在本示例中，对象检测仅限于在960 x 540分辨率的视频流中识别汽车，最高可达14 FPS。该对象检测模型基于GoogleNet。推理是在逐帧的基础上执行的，不涉及对象跟踪。请注意，该模型旨在作为一个示例，展示如何使用TensorRT快速构建算法管道。样本包括使用NVIDIA深度学习GPU训练系统（DIGITS）训练的GoogleNet。训练是用5-10英尺高采集的大约3000帧数据。
编译和运行
编译：
如果要在没有TensorRT的情况下运行示例，请在Makefile中设置以下内容：

$ cd /usr/src/jetson_multimedia_api/samples/backend
 $ sudo vim Makefile
 ## 将ENABLE_TRT设为0
 # ENABLE_TRT ?= 1
 ENABLE_TRT := 0

2. 编译生成backend可执行文件

$ cd /usr/src/jetson_multimedia_api/samples/backend
$ sudo make

运行：

## ./backend -h 查看详细功能选项
$ ./backend <channel-num> <in-file1> <in-file2>... <in-format> [options]

示例：

$ sudo ./backend 1 ../../data/Video/sample_outdoor_car_1080p_10fps.h264 H264 \
  --trt-deployfile ../../data/Model/GoogleNet_one_class/GoogleNet_modified_oneClass_halfHD.prototxt \
  --trt-modelfile ../../data/Model/GoogleNet_one_class/GoogleNet_modified_oneClass_halfHD.caffemodel \
  --trt-mode 0 --trt-proc-interval 1 -fps 10

运行后程序会使用算法对视频流进行目标检测，需等待一段时间；随后会看到标记了目标检测效果的视频。

未完待续。