Jetson Nano 基础教程
共52讲Jetson Nano 推出 2GB 内存版本，不仅承袭了 Jetson Nano 所有 AI 开发环境与 IOT 控制功能，也能学习或开发 Python、OpenCV 与 AI 深度学习、ROS 自动控制等应用。
Jetson Nano 推出 2GB 内存版本，不仅承袭了 Jetson Nano 所有 AI 开发环境与 IOT 控制功能，也能学习或开发 Python、OpenCV 与 AI 深度学习、ROS 自动控制等应用。
带领大家一起走进 Jetson Nano 2GB 为我们创造的奇妙世界！
介绍如何启动 Jetson Nano 开发者套件。
介绍如何设置无线网络以及如何添加 SWAPFile 虚拟内存。
带领大家体验并行计算性能。
带领大家体验视觉功能库。
带领大家安装与调用摄像头。
向大家展示如何通过 OpenCV 调用 CSI/USB 摄像头。
向大家介绍如何执行常见机器视觉应用。
带领大家调节 CSI 图像质量。
带领大家了解 Jetson Nano 2GB 的颜色空间动态调节技巧。
带领大家了解 OpenCV。
带领大家利用 Jetson Nano 2GB 制作一个简单的人脸识别打卡机。
带读者进一步了解 face_recognition 库的身份识别功能。
介绍 Hello AI World。
讲述 Hello AI World 的环境安装。
带着大家感受 10 行代码的威力。
介绍如何更换模型以获得不同的效果。
本文的重点将聚焦在 videoOutput() 这个输出标的处理模块。
本文的目的就是协助大家，以前面的 “10lines.py” 代码为基础，扩充解析参数的能力。
本文将介绍“图像分类”这个应用的相关资源，包括项目已经编译好的相关工具，以及代码级别的函数调用方式，协助用户能更进一步地利用这些资源进行学习，并且开发出自己的应用代码。
本文就延续上一篇文章来向大家介绍 “Hello AI World” 图像分类代码。
本文要带着大家来建立自己专属的物件检测模型，这是实用性较高的部分，因为物件检测的应用比较接地气，能轻易地与生活周遭的场景相结合。
特征模型(features model)是人工智能深度学习的灵魂，其优劣程度决定了前端推理结果的成败，包括计算性能与精确度的综合考量，是整个人工智能应用的最关键环节，而提取特征的训练（或称为学习）过程，是创建该项人工智能应用的起点。
全名为 NVIDIA GPU Cloud 的 NGC 中心，是近年来 NVIDIA 用来统筹应用资源的云中心，本身并不具备任何计算功能，主要就是“应用资源分类整理”用途，将 NVIDIA 绝大部分与 GPU 开发相关的工具包、开发包、机器学习预训练模型等等，全部集中在这上面，方便开发人员集中使用与下载开发资源。
NVIDIA 将大部分应用透过 Dcoker 容器技术进行封装，并且为了协助开发人员更加轻松地使用这些软件，NVIDIA 特别开发了一个 nvidia-pyindex 工具，将应用安装的过程变得更加简单， TAO 训练工具也不例外。
在开始使用 TAO 模型训练工具之前，我们必须先对其操作原理有个基础的理解，因为这套工具能支持 30 多种神经网络的深度学习，并且横跨视觉类与对话类两种不同领域，究竟是如何做到的？
专文将配置说明清楚，然后提供一个最简单的步骤，让大家用最轻松的方法来进行配置。
“优质数据”是训练出好模型的前提，如同食材对于料理的重要性，是一样的道理。
