# Get Pangolin cd ~/your_fav_code_directory git clone --recursive https://github.com/stevenlovegrove/Pangolin.git cd Pangolin # Install dependencies (as described above, or your preferred method) ./scripts/install_prerequisites.sh recommended # Configure and build cmake -B build cmake --build build # with Ninja for faster builds (sudo apt install ninja-build) cmake -B build -GNinja cmake --build build # GIVEME THE PYTHON STUFF!!!! (Check the output to verify selected python version) cmake --

Jetbot-ros2 这是ros2中的移动机器人的实现。 该软件包括以下功能： 使用webrtc（ ）通过带有实时视频源的websocket进行远程。 集成Intel realsense d435和t265摄像机，分别用于深度估计和定位。 2D SLAM和。 使用3D SLAM。 我使用了Xiaor Geek Jetbot作为基本平台，并对其进行了修改，使其包括广角相机以及Intel Realsense d435和t265。 要求 ROS2雄辩或狡猾。 。 电机驱动器-在这种情况下，是从jetbot的安装的。 安装 克隆此仓库及其子模块。 git clone --recurse-submodules https://github.com/cameronmcnz/surface.git 远程操作支持 安装aiortc以获取webrtc支持。 pip3 install

https://github.com/dusty-nv/jetson-inference 项目原版使用了submodules,但按照官方教程下载很容易因为被墙导致编译失败 此文件是完整版的项目代码,按照官方教程下载模型文件和安装pytorch后可直接编译运行

Jetson Nano Developer Kit 是一款体积小巧当功能强大的AI开发套件，搭载四核Cortex-A57处理器，128核Maxwell GPU 以及4GB LPDDR内存。支持NVIDIA JetPack。可以并行运行多个神经网络对图像分类，目标检测，分割和语音处理等应用。 附件中是开发过程中收藏的开源芯片数据资料： Jetson_Nano_Carrier_Board_Design_Files_B01.zip Jetson_Nano_Dev_Kit_3D_b01.zip NV_Jetson_Nano_Developer_Kit_User_Guide.pdf P3449_B01_BOM.xlsx

由于大多数深度学习模型部署在嵌入式平台均出现推理速度过慢的情况，因此引用到tensorRT来加速推理深度学习模型，以yolov5为例，本文介绍了两种方式将yolov5在pytorch框架下训练出的.pt权重抓换成tensorRT的推理引擎。从而实现深度学习模型在嵌入式平台的部署与加速。本文实验平台为jetson nano及jetson TX2.加速效果明显

代码使用VScode写的纯python文件，里面的代码全是注释好的，小白也能看懂，若安装好相应的库后拿来可以直接运行，不会出问题，可以放心下载。 是基于jetson nano平台进行的，采用的是CSI摄像头，是物体识别后提取出自己感兴趣的对象，可以为后期用于检测物体大小，实现避障提供了很好的思路，可以参考这个程序写下去。 适合想用 jetson nano 来实现目标检测，目标识别后把自己感兴趣的对象提取出来，进行进一步应用的人群。 在这实现了目标检测和语义分割这一块，我们得到这个图像之后，可以方便我们去做很多事情，主要是在`jetson-inference`库中使用`DetectNet`完成目标对象的定位的，是通过提取其边界框来查找各种对象在帧中的位置，在这里与图像分类不同，对象检测网络能够每帧检测出许多不同的对象。

硬件架构、软件及开发套件信息

EasyDarwin-aarch64版 树莓派64 jetson平台专用

jetson系列开发板使用的pytorch1.5.0，tensorflow2.0， scopy1.4.1三个博主自己使用的pip软件源，有喜欢的朋友开源自行下载使用

nvdia jetson nx 开发套件说明