1.仅用于Jetson平台 2. 仅用于Jetpack4.5 或者4.4版，更低的版本没试用，也许也行 3.这个版本解决了一个重要问题：-p 不支持3D模型有NxCxDxWxH 5维输入

dofbot-jetson_nano

通过在目标硬件板上构建和部署生成的代码，用于NVIDIA:registered:Jetson:registered:和NVIDIA DRIVE:trade_mark:平台的MATLAB Coder支持包可自动在嵌入式NVIDIA平台上自动部署MATLAB算法和Simulink:registered:模型。 它使您能够与NVIDIA目标进行远程通信并控制外围设备以进行原型制作。 与GPU Coder:trade_mark:一起使用时，您可以为深度学习，嵌入式视觉和自治系统生成和部署优化的CUDA:registered:应用程序。 生成的代码调用优化的NVIDIA CUDA库，可用于在Jetson和DRIVE等嵌入式NVIDIA平台上进行原型制作。 借助嵌入式编码器，它还可以进行软件在环和处理器在环仿真，以验证MATLAB算法在实际硬件上的行为是否符合预期。 GPU Coder支持NVIDIA Jetson平台，包括TK1，TX1，TX2，AGX Xavier，Nano和Xavier NX Developer套件。

深度学习是解决难题（例如图像分类，分割和检测）的强大方法。 然而，使用深度学习进行推理是计算密集型的，消耗大量内存。 即使是规模很小的网络也需要大量的内存和硬件来执行这些算术运算。 这些限制可能会阻止将深度学习网络部署到计算能力低且内存资源较小的设备上。 在这种情况下，您可以将 Deep Learning Toolbox 与 Deep Learning Toolbox 模型量化库支持包结合使用，通过将卷积层的权重、偏差和激活量化为 8 位缩放整数来减少深度神经网络的内存占用数据类型。 然后您可以使用 GPU Coder 为量化网络生成优化的 CUDA 代码。 此示例展示了如何创建、训练和量化一个用于缺陷检测的简单卷积神经网络，然后演示如何为包括前/后图像处理和卷积神经网络在内的整个算法生成代码，以便您可以将其部署到 NVIDIA GPU 中，例如Jetson AGX Xavier、N

TensorFlow_Lite_Pose_Jetson-Nano 在Jetson Nano上运行的TensorFlow Lite Posenet 在Jetson Nano上的TensorFlow Lite Posenet的快速C ++实现。 一旦超频至2015 MHz，该应用程序将以15.2 FPS的速度运行。 基准。 CPU 2015兆赫 GPU 2015 MHz CPU 1479兆赫 GPU 1479 MHZ RPi 4 64os 1950 MHz 15.2帧/秒 11.8帧/秒 12 FPS 11 FPS 9.4帧/秒 专为Jetson Nano设计的产品，请参阅 依赖关系。 要运行该应用程序，您必须： 已安装TensorFlow Lite框架。 安装了可选的OpenCV。 代码：：已安装块。 （ $ sudo apt-get install codebloc

物联网_项目 NVIDIA Jetson Nano的学习路程整理 关联 常见指令 查看目录ls进入资料夹cd开nano程序编辑器nano *.py执行python3 *.py立即sudo shutdown now下载github git clone https://github.com/⋯/⋯.git clonehttps git clone https://github.com/⋯/⋯.git

JetsonTX2_TX2i_OEM_Product_Design_Guide_20180618，TX2产品设计手册

英伟达NX模组的设计手册官方很难下载

jetson nano 和tx2跑jetson-inference的时候如果上不了外网，下载东西会卡住。把下好的东西放进去，然后把这个文件替换原文件就可以编译成功了。

Jetson TX2TX2i System-on-Module Data Sheet.pdf 数据手册