^{Назад | Далее | Содержание
Распознавание изображений}

# Запуск демонстрационного приложения для реального времени с камеры Примеры кода `imagenet.cpp` и `imagenet.py`, которые мы использовали ранее, также могут использоваться для потокового вещания с камеры в реальном времени. 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 [Потоковое вещание с камер и мультимедиа](aux-streaming.md).Ниже приведены некоторые типичные сценарии запуска программы на потоке с камеры (используйте `--help` для получения дополнительных опций): #### C++ ```bash $ ./imagenet csi://0 # MIPI CSI камера $ ./imagenet /dev/video0 # V4L2 камера $ ./imagenet /dev/video0 output.mp4 # сохранение в видеофайл ``` #### Python ```bash $ ./imagenet.py csi://0 # MIPI CSI камера $ ./imagenet.py /dev/video0 # V4L2 камера $ ./imagenet.py /dev/video0 output.mp4 # сохранение в видеофайл ``` > **Примечание**: для примеров камер, которые можно использовать, посмотрите эти разделы Jetson Wiki: > > - Nano: [`https://eLinux.org/Jetson_Nano#Cameras`](https://elinux.org/Jetson_Nano#Cameras) > - Xavier: [`https://eLinux.org/Jetson_AGX_Xavier#Ecosystem_Products_.26_Cameras`](https://elinux.org/Jetson_AGX_Xavier#Ecosystem_Products_.26_Cameras) > - TX1/TX2: наборы разработчика включают встроенный MIPI CSI сенсорный модуль (0V5693) > В окне OpenGL отображаются поток с камеры, имя классифицированного объекта, уверенность классификации объекта и частота кадров сети. На Jetson Nano вы должны увидеть до ~75 FPS для GoogleNet и ResNet-18 (быстрее на других Jetson). Программа может распознавать до 1000 различных типов объектов, так как классификационные модели обучены на наборе данных ILSVRC ImageNet, который содержит 1000 классов объектов.

Сопоставление названий для 1000 типов объектов можно найти в репозитории по адресу data/networks/ilsvrc12_synset_words.txt

Это завершает этот раздел учебника "Hello AI World" по классификации изображений.

Следующим шагом мы начнем использовать сети детекции объектов, которые предоставляют нам координаты ограничивающего прямоугольника для нескольких объектов на каждом кадре.

Далее | Определение координат объектов с помощью DetectNet
Назад | Написание собственной программы распознавания изображений

^{© 2016-2019 NVIDIA | Содержание}