Classifying Images with ImageNet
TensorRT下載下傳位址：https://developer.nvidia.com/nvidia-tensorrt-download
TesnsoRT介紹文檔：https://devblogs.nvidia.com/tensorrt-3-faster-tensorflow-inference/
TensorRT開發者指南：http://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html
TensorRT樣例代碼：http://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#samples
這裡有多種類型的深度學習網絡可以利用，包括識别，檢測/定位，和分割。第一個在本教程中重點出現的是利用’imageNet’來實作的圖像識别功能，它是被訓練來識别相似物體的。
imageNet會輸入一個圖檔，然後輸出這張圖檔中的物體是各個類别的機率。上面step 2中下載下傳的模型，是利用ImageNet資料庫（1000種類别）訓練的AlexNet和GoogleNet的網絡模型。作為樣例，它提供了一個指令行的接口(imagenet-console) 和一個實時的攝像頭程式（imagenet-camera）。
Using the Console Program on Jetson
首先，嘗試使用imagenet-console程式在測試圖檔上試驗一下圖像識别功能。它會加載一張圖檔，使用TensorRT和imageNet的類别來進行推演。推演完成後，他會把推演的結果（類别資訊或者編号）加載到圖檔上（類似水印的方式），并且将輸出結果儲存。
在編譯好jetson-inference之後，進入aarch64/bin這個檔案夾：
$ cd jetson-inference/build/aarch64/bin
然後用imagenet-console來識别樣例圖檔。imagenet-console允許兩個指令行參數：輸入圖檔的路徑和輸出圖檔（會加蓋類别資訊的水印）的路徑
接下來，我們将會利用imageNet來識别一個基于Jetson闆載攝像頭的實時視訊
Running the Live Camera Recognition Demo
就像上面最後一個例子，實時圖像識别Demo是在/aarch64/bin的下面的一個叫做imagenet-camera的程式。通過設定參數，可以利用googleNet/Alexnet和TensorRT來對實時視訊流進行識别。
$ ./imagenet-camera googlenet # to run using googlenet
$ ./imagenet-camera alexnet # to run using alexnet
在OpenGL的視窗最上面的Title Bar裡面，會列印出目前視訊識别的FPS（frames per second）,識别類别的名字和識别類别的置信值（是某種類别的可能性或者機率）。系統預設這個程式可以識别最多1000種不同種類的物體。具體原因是這裡面用的GoogleNet和AlexNet都是基于ILSVRC12 ImageNet的資料庫訓練的，這個資料庫包含了1000種不同的物體。您可以在這裡找到每一張圖檔對應的1000種不同物體的名字。
注：系統預設中Jetson的闆載CSI攝像頭将會作為輸入視訊。如果你想用usb 攝像頭來代替它，你可以在imagenet-camera.cpp中改變DEFAULT_CAMERA的值。目前的測試是利用羅技 C920來做的。
Re-training the Network with DIGITS
我們剛才用過的下載下傳好的GoogleNet和AlexNet的模型，是基于已經标記好的ImageNet ILSVRC12訓練好的。
.
如果來識别新的目标類别，您可以使用DIGITS來基于新的資料重新訓練一個網絡模型。您還可以以不同的方式組織現有的類，包括将多個子類組合成一個。例如在本教程中，我們将采用1000個類别中的230個，将這些類别分為12個班級，并重新訓練網絡。
接下來我們來下載下傳ILSVRC12的圖檔來訓練，或者你可以把自己的資料庫放到Image Folder中來替代。
Downloading Image Recognition Dataset
一個圖像資料集包含了大量的圖檔，他們會根據不同的類别存放在不同的檔案夾中。ILSVRC12資料集被用于訓練預設的GoogleNet和AlexNet模型。它大概有100GB的大小，包含1000種不同類别的1百萬張圖檔。您可以利用imagenet-download.py這個腳本來下載下傳資料集到您的DIGITS中。如果想下載下傳這個資料集，首先要确認您的DIGITS伺服器有足夠的空間（120GB以上的預留白間），然後再您想要下載下傳的伺服器上運作以下指令：
$ wget --no-check-certificate https://nvidia.box.com/shared/static/gzr5iewf5aouhc5exhp3higw6lzhcysj.gz -O ilsvrc12_urls.tar.gz
$ tar -xzvf ilsvrc12_urls.tar.gz
$ wget https://rawgit.com/dusty-nv/jetson-inference/master/tools/imagenet-download.py
$ python imagenet-download.py ilsvrc12_urls.txt . --jobs --retry --sleep
上面的指令會下載下傳圖檔的URLs位址的清單。
注：運作這個下載下傳圖像資料集的腳本時間可能很長（100GB的檔案，下載下傳也許會過夜），是以請確定網絡的通暢
下載下傳腳本會在對應的子檔案夾裡面存儲這些圖檔。每一類圖檔将會存在對應的名字的檔案夾下面，一共1000個檔案夾對應ILSVRC12的每一個類。檔案夾會以下面的形式組織起來：
n01440764/
n01443537/
n01484850/
n01491361/
n01494475/
...
這些8個數字的id用n作為字首，每個類代表了相近類别的代号。每一類的名字你可以在ilsvrc12_synset_words.txt檢視。舉個例子：n01484850 great white shark
Customizing the Object Classes
我們上一步下載下傳的資料庫會用來訓練預設的AlexNet和GoogleNet，它會分為1000個類，包括鳥類，水果，植物，魚類，狗，貓科動物和交通工具等等。出于實踐的目的，讓我們考慮一下Google網模型的一個同類，該模型識别由最初的1000個類組成的十幾個核心組（舉個例子：把所有的不同的狗類，都算成狗一個類）。這12個核心組可能比1000個單獨的同步集更實用，并且跨類組合可以獲得更多的教育訓練資料和更強的性能。
DIGITS中的資料要求存儲在分層次的檔案夾中，是以我們為每個核心組建立一個檔案夾，并且對應每一個檔案夾到之前下載下傳的ILSVRC12的同步集中。DIGITS會自動組合來自頂層組下所有檔案夾的圖像。檔案夾結構就像下面展示的，類名字後面括号裡的數值代表包含的類的數量，括号裡面箭頭後面的數值代表同步集合每一個類對應的編号，
‣ ball/ ()
• baseball (→n02799071)
• basketball (→n02802426)
• soccer ball (→n04254680)
• tennis ball (→n04409515)
• ...
‣ bear/ ()
• brown bear (→n02132136)
• black bear (→n02133161)
• polar bear (→n02134084)
• sloth bear (→n02134418)
• bike/ ()
• bird/ ()
• bottle/ ()
• cat/ ()
• dog/ ()
• fish/ ()
• fruit/ ()
• turtle/ ()
• vehicle/ ()
• sign/ ()
因為ILSVRC12中有太多了類别，為了友善大家生成目錄結構和資料集路徑連結，我們提供了一個腳本imagenet-subset.sh。在DIGITS伺服器上執行以下指令：
$ wget https://rawgit.com/dusty-nv/jetson-inference/master/tools/imagenet-subset.sh
$ chmod +x imagenet-subset.sh
$ mkdir classes
$ ./imagenet-subset.sh /opt/datasets/imagenet/ilsvrc12 classes
在這個例子中，會生成一個12個類的連結，第一個參數代表着之前步驟中下載下傳的ILSVRC12的檔案夾的路徑。
Importing Classification Dataset into DIGITS
通過浏覽器登陸上DIGITS，選擇Dataset中右上角的New Dataset中的Classification。
将圖檔路徑設定為之前的12類資料集的檔案夾路徑，然後：
• 将for validation 設定為10
• Group Name設定為:ImageNet
• Dataset Name 設定為：ImageNet-ILSVRC12-subset
然後點選最下面的Create按鈕開始建立資料庫。資料集大小是20GB左右，根據電腦的IO性能，大概需要處理10~15分鐘。接下來我們會建立模型并訓練模型。
Creating Image Classification Model with DIGITS
當建立資料集完成，傳回到DIGITS的首頁中。選擇Models，然後選擇右上角的New Model，然後選擇Classification來建立一個新的模型。
在後面的頁面中，按照下面來設定：
• Select Dataset: ImageNet-ILSVRC12-subset
• Subtract Mean: Pixel
• Standard Networks: GoogleNet
• Group Name: ImageNet
• Model Name: GoogleNet-ILSVRC12-subset
選擇一個GPU來訓練，點選Create按鈕開始訓練