^{Назад | Далее | Содержание
Обнаружение объектов}

# Запуск демонстрации обнаружения объектов в реальном времени с помощью камеры Пример, который мы использовали ранее, [`detectnet.cpp`](../examples/detectnet/detectnet.cpp) / [`detectnet.py`](../python/examples/detectnet.py), также может использоваться для реального времени потоков данных с камеры. Поддерживаемые типы камер включают: - MIPI CSI камеры (`csi://0`) - V4L2 камеры (`/dev/video0`) - RTP/RTSP потоки (`rtsp://username:password@ip:port`) Для получения дополнительной информации о видеопотоках и протоколах, пожалуйста, посмотрите страницу [Поток данных с камеры и мультимедиа](aux-streaming.md).Запустите программу с помощью `--help`, чтобы увидеть полный список опций — некоторые из них специфичны для detectNet: - Флаг `--network`, который изменяет используемую [модель обнаружения](detectnet-console-2.md#доступные-предобученные-модели-обнаружения) (по умолчанию используется SSD-Mobilenet-v2). - Флаг `--overlay`, который может быть комбинацией значений `box`, `labels`, `conf` и `none` (по умолчанию используется `--overlay=box,labels,conf`, что отображает прямоугольники, метки и значения уверенности). - Значение `--alpha`, которое устанавливает значение альфа-смешивания (по умолчанию используется `120`). - Значение `--threshold`, которое устанавливает минимальный порог обнаружения (по умолчанию используется `0.5`).Ниже приведены некоторые типичные сценарии запуска программы на потоке данных с камеры:

C++

Python

Примечание: для примеров камер, которые можно использовать, посмотрите эти разделы Jetson Wiki:

• Nano: https://eLinux.org/Jetson_Nano#Cameras
• Xavier: https://eLinux.org/Jetson_Xavier#Cameras
• TX1/TX2: наборы для разработчиков включают встроенный модуль сенсора MIPI CSI (0V5693)

Визуализация

В окне OpenGL отображается поток камеры с наложенным на него контуром обнаруженных объектов. Обратите внимание, что модели на основе SSD имеют наивысшую производительность. Вот пример использования модели coco-dog:

Если желаемые объекты не обнаруживаются в потоке видео или вы получаете ложные срабатывания, попробуйте уменьшить или увеличить порог обнаружения с помощью параметра `--threshold` (по умолчанию `0.5`). Далее мы рассмотрим создание кода для приложения обнаружения объектов на Python. ##

Далее | Создание собственной программы обнаружения объектов
Назад | Обнаружение объектов на изображениях

^{© 2016-2019 NVIDIA | Содержание}