NVIDIA Jetson TK1学习与开发(九):基于GPU加速的OpenCV人体检测(Full Body Detection)

基于GPU加速的OpenCV人体检测(Full Body Detection)

1、CUDA和OpenCV的安装

首先,确定一下自己的平台是否安装好了CUDA和OpenCV。

CUDA的安装可以参考:http://blog.csdn.net/frd2009041510/article/details/42042807http://blog.csdn.net/frd2009041510/article/details/42925205

OpenCV的安装可以参考:http://blog.csdn.net/frd2009041510/article/details/42930113

2、Simply build the OpenCV HOG (Hough Of Gradients) sample person detector program

[cpp]  view plain  copy
 print ?
  1. cd opencv-2.4.9/samples/gpu  
  2. g++ hog.cpp -lopencv_core -lopencv_imgproc -lopencv_highgui -lopencv_calib3d -lopencv_contrib -lopencv_features2d -lopencv_flann -lopencv_gpu -lopencv_legacy -lopencv_ml -lopencv_nonfree -lopencv_objdetect -lopencv_photo -lopencv_stitching -lopencv_superres -lopencv_video -lopencv_videostab -o hog  

进入目录:


编译:


3、run the HOG demo

[cpp]  view plain  copy
 print ?
  1. ./hog --video 768x576.avi  

注意:You can run the HOG demo such as on a pre-recorded video of people walking around. The HOG demo displays a graphical output, hence you should plug a HDMI monitor in or use a remote viewer such as X Tunneling or VNC or TeamViewer on your desktop in order to see the output.

结果截图如下:



如果有摄像头,可以执行下面的命令来完成演示:

[html]  view plain  copy
 print ?
  1. ./hog --camera 0  


注意:Note: This looks for whole bodies and assumes they are small, so you need to stand atleast 5m away from the camera if you want it to detect you!

结果截图如下:


4、HOG demo中的一些控制命令

You can toggle between CPU vs GPU by pressing 'm', where you will see that the GPU is typically 5x faster at HOG than the CPU!

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于NVIDIA Jetson平台的人工智能实例开发入门需要掌握以下几个关键步骤: 1. 准备工作:首先,购买一台NVIDIA Jetson开发套件,并安装相应的JetPack软件开发工具包。该工具包集成了CUDA加速库、各种深度学习框架和开发工具,使得在Jetson平台上进行人工智能开发变得更加方便。 2. 硬件设置:将Jetson开发套件正确连接到电源和显示器,并通过USB线缆将其与电脑连接。确保电脑和Jetson之间可以正常通信。 3. 软件设置:在Jetson平台上安装和配置所需的软件包,如TensorFlow、PyTorch或Caffe等深度学习框架。根据需要,还可以安装其他相关的软件包和库。 4. 数据集准备:收集和整理适合训练的数据集。根据所需的人工智能应用领域,选择合适的数据集,并对其进行预处理和标注。 5. 模型训练:使用所选的深度学习框架,在Jetson平台上进行模型训练。通过调节模型的超参数和优化算法,提高模型的准确性和性能。 6. 模型部署:训练完成后,将训练好的模型部署到Jetson平台上。根据实际需求,可以选择将模型部署为实时应用程序、嵌入式系统或者边缘计算设备等形式。 7. 测试和优化:对部署好的模型进行测试和优化。根据实际情况,检查模型在不同数据集或场景下的表现,并根据测试结果进行模型的调整和改进。 8. 扩展和应用:在基础的人工智能实例上进行扩展和应用。根据具体需求,可以通过增加数据集、调整模型架构或者更换算法来扩展人工智能应用的功能和性能。 总结来说,基于NVIDIA Jetson平台的人工智能实例开发入门需要熟悉硬件设置、软件配置、数据集准备、模型训练、模型部署、测试和优化等关键步骤。通过不断的实践和学习,可以逐步提升在Jetson平台上进行人工智能开发的能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值