<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Sarun Gulyanon on Medium]]></title>
        <description><![CDATA[Stories by Sarun Gulyanon on Medium]]></description>
        <link>https://medium.com/@sgulyano?source=rss-b25e92180812------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*NRIU5YaIJqDaRegR</url>
            <title>Stories by Sarun Gulyanon on Medium</title>
            <link>https://medium.com/@sgulyano?source=rss-b25e92180812------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 23:24:15 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sgulyano/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ทำ Image Classification บน NVIDIA Jetson Nano ด้วย TensorFlow/TensorRT]]></title>
            <link>https://medium.com/@sgulyano/introduction-to-deep-learning-on-nvidia-jetson-nano-87428b3c6e17?source=rss-b25e92180812------2</link>
            <guid isPermaLink="false">https://medium.com/p/87428b3c6e17</guid>
            <category><![CDATA[jetson-nano]]></category>
            <category><![CDATA[tensorflow]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[tensorrt]]></category>
            <category><![CDATA[image-classification]]></category>
            <dc:creator><![CDATA[Sarun Gulyanon]]></dc:creator>
            <pubDate>Fri, 15 May 2020 09:02:32 GMT</pubDate>
            <atom:updated>2020-05-15T09:12:28.885Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*saQBj-fF95X6YpPx3eWeFg.png" /></figure><p>ในบทความนี้ก็จะเล่าวิธีการทำ Image Classification ซึ่งเป็นโจทย์คลาสสิกในด้าน Computer Vision โดยใช้เทคนิค Deep Learning รันบน NVIDIA Jetson Nano ซึ่งเป็น <a href="https://en.wikipedia.org/wiki/Embedded_system">embedded system</a> ผ่าน Library ที่มีชื่อว่า TensorFlow และ TensorRT</p><blockquote>ทำไมถึงอยากทำ Deep Learning บน embedded system??</blockquote><p>ทำต้องความเข้าใจก่อนว่า embedded system หรือภาษาไทยเรียกว่า ระบบฝังตัว (แปลว่าอะไร??) พูดง่าย ๆ มันคือหน่วยประมวลผล ที่สามารถเอาไปใส่ในอุปกรณ์อื่น ๆ เพื่อเพิ่มตรรกะให้กับอุปกรณ์เหล่านั้น หรือเรียกว่าเป็นความฉลาดก็ว่าได้ ตัวอย่าง embedded system ก็เช่น <a href="https://www.kid-bright.org/">KidBright</a>, <a href="https://www.arduino.cc/">Arduino</a>, <a href="https://www.raspberrypi.org/">Raspberry Pi</a> เป็นต้น</p><p>ส่วน Deep Learning เป็นเทคนิคหนึ่งในศาสตร์ด้าน Machine Learning ที่ตอนนี้กลายเป็น state-of-the-art หรือวิธีที่ดีที่สุด (หรืออย่างน้อยแม่นยำที่สุด) ในการแก้ปัญหาด้าน <a href="https://medium.com/@kaewtibkham/computer-vision-%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%87%E0%B8%A1%E0%B8%B7%E0%B8%AD%E0%B8%82%E0%B8%B1%E0%B8%9A%E0%B9%80%E0%B8%84%E0%B8%A5%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%99%E0%B8%AD%E0%B8%99%E0%B8%B2%E0%B8%84%E0%B8%95-8c219a9600e0">Computer Vision</a> และ <a href="https://medium.com/mmp-li/nlp-natural-language-processing-%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C-%E0%B9%84%E0%B8%A1%E0%B9%88-%E0%B9%83%E0%B8%AB%E0%B8%A1%E0%B9%88-%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B9%81%E0%B8%AB%E0%B9%88%E0%B8%87%E0%B9%80%E0%B8%88%E0%B9%84%E0%B8%94-%E0%B9%81%E0%B8%A2%E0%B8%81%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%A0%E0%B8%97%E0%B8%AD%E0%B8%B5%E0%B9%80%E0%B8%A1%E0%B8%A5%E0%B8%A5%E0%B9%8C%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%9E%E0%B8%A5%E0%B8%B1%E0%B8%87%E0%B8%9F%E0%B8%AD%E0%B8%A3%E0%B9%8C%E0%B8%8B-66b8bdff2e42">Natural Language Processing </a>(NLP) ซึ่งในบางปัญหาสามารถทำได้เทียบเท่ามนุษย์แล้ว ถ้าอยากรู้เพิ่มเติมเกี่ยวกับ Deep Learning สามารถศึกษาเพิ่มเติมได้ที่เว็บ<a href="https://aiat.or.th/heart-of-ai/">สมาคมปัญญาประดิษฐ์ประเทศไทย</a></p><p>ดังนั้นถ้าเราใส่ Deep Learning ใน embedded system ได้ เราก็จะสามารถสร้างอุปกรณ์ที่มีความชาญฉลาดมากขึ้น สามารถตัดสินใจอะไรบางอย่างได้ แทนที่จะต้องอาศัยการเชื่อมต่ออินเตอร์เน็ตแล้วส่งข้อมูลขึ้นไป Server หรือเครื่องคอมพิวเตอร์ที่มีพลังการประมวลผลมากกว่า แล้วรอคำสั่งกลับมา ทำให้ตอบสนองได้เร็วขึ้น และค่าใช้จ่ายน้อยกว่าในด้าน Infrastructure เช่น พวกระบบ Network เพื่อเชื่อมต่อ Server กับ อุปกรณ์เซนเซอร์ เป็นต้น</p><blockquote>อะไรคือ Image Classification??</blockquote><p>เป็นโจทย์ Computer Vision ที่เราต้องการให้คอมพิวเตอร์สามารถจำแนก<strong>ภาพทั้งภาพ</strong> ตามสิ่งที่อยู่ในภาพ (หรือ Visual Content) เช่น จำแนกว่าภาพนี้มีคนอยู่ในรูปหรือไม่ หรือภาพนี้เป็นภาพสุนัขหรือแมว เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*V_fp-cREDdsEhPGadsgQWw.jpeg" /><figcaption>โจทย์ Image Classification ต้องการจำแนกภาพตามสิ่งที่อยู่ในภาพโดยไม่คำนึงถึงตำแหน่ง ถ้าระบุตำแหน่งสิ่งที่อยู่ในภาพด้วย ในลักษณะกล่องสี่เหลี่ยมล้อมรอบ (Bounding Box) เรียกว่า Localization แล้วถ้าระบุพร้อมจำแนกสิ่งหลายสิ่งในรูปแบบ Bounding Box เรียก Object Detection แต่ถ้าระบุเป็นเส้นรอบรูปของแต่ละสิ่งเรียก Instance Segmentation [Ref: <a href="https://medium.com/zylapp/review-of-deep-learning-algorithms-for-object-detection-c1f3d437b852">Review of Deep Learning Algorithms for Object Detection</a>]</figcaption></figure><h3>Jetson Nano คืออะไร</h3><p>Jetson Nano เป็นบอร์ดไมโครโพรเซสเซอร์พัฒนาโดย NVIDIA ที่มีพลังการคำนวณของ GPU (Graphical Processing Unit) สำหรับ embedded system</p><p><a href="https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-nano/">Bringing the Power of AI to Millions of Devices</a></p><blockquote>มี GPU แล้วไง??</blockquote><p>หนึ่งในข้อจำกัดของ Deep Learning คือ มันต้องการพลังการคำนวณปริมาณมาก ในขณะที่ GPU สามารถประมวลผลงานที่มีหลาย ๆ งานขนานกัน (Parallel) ได้ดีพูดง่าย ๆ คือ เป็นงานเดิม แต่ทำซ้ำ ๆ กันหลาย ๆ งานบนข้อมูลคนละส่วน ได้เร็วกว่า CPU มาก แล้วเทคนิค Deep Learning ก็มีการคำนวณที่สามารถทำในลักษณะ Parallel เยอะ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/297/1*iW5crr_2D4NcNSKtd4DAXw@2x.png" /><figcaption>การใช้ GPU คำนวณ Deep Learning อาจเร็วกว่า CPU ถึง 47 เท่า [Ref: <a href="https://www.nvidia.com/en-gb/data-center/tesla-v100/">https://www.nvidia.com/en-gb/data-center/tesla-v100/</a>]</figcaption></figure><h4>การติดตั้ง OS บน Jetson Nano</h4><p>เริ่มต้นด้วยการติดตั้ง สามารถดูวิธีการได้ที่ <a href="https://medium.com/@dnjooiopa/%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B9%83%E0%B8%8A%E0%B9%89-nvdia-jetson-nano-developer-kit-%E0%B8%9E%E0%B8%A3%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%95%E0%B8%B4%E0%B8%94%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87-os-%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%A5%E0%B8%B0%E0%B9%80%E0%B8%AD%E0%B8%B5%E0%B8%A2%E0%B8%94-4508462d3aa1">เว็บนี้</a>สำหรับภาษาไทย ส่วน<a href="https://developer.nvidia.com/embedded/jetpack">เว็บนี้</a>เป็นเว็บ official ในบทความนี้เราใช้ Jetpack 4.3 แม้ว่าตอนเขียนจะมี Jetpack 4.4 แล้ว แต่พอทดลองทำบนเวอร์ชันใหม่ กลับได้ผลลัพธ์ที่แย่ลง อาจจะเป็นเพราะเวอร์ชันของซอฟต์แวร์ต่าง ๆ ไม่ compatible กัน เราเลยจะใช้ Jetpack 4.3</p><h3>ใน Tutorial นี้ ใช้อะไรบ้าง</h3><p>แน่นอนเราต้องมี NVIDIA Jetson Nano ที่ทำการติดตั้ง Jetpack เวอร์ชัน 4.3 เรียบร้อยแล้ว</p><p>ส่วน Library ที่ใช้ หลัก ๆ ก็จะมี tensorflow-gpu เวอรชั่น 2.* ส่วน library อื่น ๆ มากับ Jetpack แล้ว เช่น OpenCV สำหรับประมวลผลภาพ, CUDA สำหรับใช้ GPU, Python สำหรับเขียนโปรแกรม เป็นต้น</p><h3>ทำ Image Classification บน Jetson Nano</h3><p>จริง ๆ แล้วสิ่งที่จะอธิบายหลัก ๆ ในบทความนี้ เป็นการโหลดโมเดล Deep Learning บน Jetson Nano Developer Kit (โมเดลคือสิ่งที่ Deep Learning ใช้ในการคำนวนผลลัพธ์) ซึ่งคุณสามารถโหลดโมเดลอื่น ๆ ที่มีไว้สำหรับแก้ปัญหาต่าง ๆ ได้ แต่ในบทความนี้เลือกเอา Image Classification มาเป็นโจทย์ตัวอย่าง เพราะมันเป็นปัญหาคลาสสิกที่สามารถเอาไปประยุกต์ใช้งานได้หลายอย่าง และเป็นปัญหาที่เข้าใจได้ง่าย</p><p>อีกอย่างนึงคือจริง ๆ แล้วมันมีอีก library สำหรับทำ Image Processing ต่าง ๆ ไม่ว่าจะเป็น Image Classification, Object Detection หรือ โจทย์ทั่ว ๆ ไปอื่น ๆ บน Jetson Nano ได้อย่างง่ายดาย ดูตัวอย่างได้ที่<a href="https://medium.com/@dnjooiopa/%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B8%97%E0%B8%B3-ai-%E0%B9%81%E0%B8%A5%E0%B8%B0-image-processing-%E0%B8%9A%E0%B8%99-nvidia-jetson-nano-developer-kit-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%83%E0%B8%8A%E0%B9%89-tensorrt-b212546b8ec1">เว็บนี้</a> แล้วก็ทำงานได้เร็วพอควรด้วย</p><p><a href="https://github.com/dusty-nv/jetson-inference">GitHub - dusty-nv/jetson-inference: Hello AI World guide to deploying deep-learning inference networks and deep vision primitives with TensorRT and NVIDIA Jetson.</a></p><p>แต่เท่าที่ผมศึกษา (คือแทบไม่ได้ศึกษา) ถ้าใช้ Library นี้ ดูเหมือนว่าคุณก็จะใช้ได้แค่โมเดลที่ถูก implement ไว้แล้วใน Library นี้ ถ้าจะใช้โมเดลอื่นที่เราสร้าง ก็ต้องไปดัดแปลงให้ใช้งานกับ Library ได้ ซึ่งดูทำได้ยาก แม้ว่าจะทำได้ก็ตามที</p><p>ดังนั้นในบทความนี้จะเล่าวิธีทำ Image Classification อีก 2 แบบโดยใช้เครื่องมือคนละตัว ที่คุณสามารถเอาโมเดลที่สร้างขึ้นเอง มาใช้บน Jetson Nano ได้:<br>1. ใช้ TensorFlow<br>2. ใช้ TensorRT</p><h3>1. TensorFlow</h3><p>TensorFlow เป็น deep learning library ที่พัฒนาโดย Google ซึ่งได้รับความนิยมในการใช้พัฒนา software ด้าน Deep Learning โดยขั้นแรก เราจะต้องติดตั้ง Library นี้บน Jetson Nano</p><h4>การติดตั้ง Tensorflow-GPU บน Jetson Nano</h4><p>สอนลง Tensorflow-GPU ดูได้ที่<a href="https://medium.com/@dnjooiopa/%E0%B8%AA%E0%B8%AD%E0%B8%99%E0%B8%A5%E0%B8%87-tensorflow-gpu-%E0%B8%9A%E0%B8%99-nvidia-jetson-nano-developer-kit-%E0%B8%AA%E0%B8%B3%E0%B8%AB%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B8%94%E0%B9%89%E0%B8%B2%E0%B8%99-machine-learning-e2f13236d1bf">เว็บนี้</a> (คำอธิบายภาษาไทย) และ<a href="https://docs.nvidia.com/deeplearning/frameworks/install-tf-jetson-platform/index.html">เว็บนี้</a> (แบบ official) ได้</p><p>เริ่มต้นจาก install system packages ที่ TensorFlow ใช้กันก่อน</p><pre>$ sudo apt-get update<br>$ sudo apt-get install libhdf5-serial-dev hdf5-tools libhdf5-dev zlib1g-dev zip libjpeg8-dev liblapack-dev libblas-dev gfortran</pre><p>ถัดไปก็ install pip ซึ่งเป็น package manager ของ Python</p><pre>$ sudo apt-get install python3-pip <br>$ sudo pip3 install -U pip testresources setuptools</pre><p>แล้วก็ลง <a href="https://cython.org/">cython</a></p><pre>$ sudo pip3 install --upgrade cython</pre><p>ตามคู่มือบอกให้ลง dependencies แล้วค่อยลง tensorflow ด้วยสองคำสั่งนี้</p><pre>$ sudo pip3 install -U numpy==1.16.1 future==0.17.1 mock==3.0.5 h5py==2.9.0 keras_preprocessing==1.0.5 keras_applications==1.0.8 gast==0.2.2 futures protobuf pybind11<br>$ sudo pip3 install --pre --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v44 tensorflow</pre><p>แต่ส่วนตัวผมชอบไป download ไฟล์ .whl จาก<a href="https://developer.nvidia.com/embedded/downloads">เว็บ Jetson Download Cente</a>r มารอเอาไว้ก่อน แล้ว install ด้วยคำสั่งนี้ ซึ่งจะลง dependencies ให้ด้วย</p><pre>sudo pip3 install -U <a href="https://developer.download.nvidia.com/compute/redist/jp/v43/tensorflow/tensorflow-1.15.2+nv20.3-cp36-cp36m-linux_aarch64.whl">tensorflow-2.1.0+nv20.3-cp36-cp36m-linux_aarch64.whl</a></pre><p><strong>Tip 1:</strong> การ install library เหล่านี้ ใช้เวลานาน (ขึ้นอยู่กับ SD card ที่ใช้ว่าเร็วแค่ไหน ทั้งหมดนี้ ใช้เวลาประมาณ 4–5 ชั่วโมง บนเครื่องผม) ระหว่าง install เครื่องอาจร้อนเกินไปจนมัน shutdown ตัวเอง แล้วก็ระวังเรื่องของกำลังไฟ (watts) ด้วย ถ้าใช้สายชาร์ตมือถือ คุณจะใช้ได้แค่โหมด 5W ซึ่งบางครั้ง เวลาต่ออุปกรณ์เยอะ ๆ และ install โปรแกรมหนัก ๆ ไฟอาจไม่พอ แนะนำให้ใช้เป็น power supply ซึ่งดูวิธีทำได้จาก<a href="https://www.jetsonhacks.com/2019/04/10/jetson-nano-use-more-power/">เว็บนี้</a> โดยให้ไฟผ่าน Barrel Jack connector ซึ่งเราจะต้องใส่ jumper ตรง J48 เพื่อบอก Jetson Nano ว่าเราจะให้ไฟผ่าน Barrel Jack connector</p><p><strong>Tip 2: </strong>ต้องการ software สำหรับ monitor ทรัพยากร Jetson Nano แนะนำให้ใช้ <a href="https://pypi.org/project/jetson-stats/">jtop</a> ซึ่งสามารถติดตั้งได้โดยการพิมคำสั่งนี้</p><pre>sudo -H pip3 install -U jetson-stats</pre><p>แล้วเรียกใช้งานด้วยคำสั่งนี้ (แนะนำให้ restart ก่อนใช้งาน)</p><pre>sudo jtop</pre><p><strong>Tip 3:</strong> โดย default Jetson nano จะตั้ง memory swap แค่ 2 GB รวมกับ memory อีก 4 GB ซึ่งบางครั้งเวลารันโมเดลใหญ่ ๆ เมมโมรี่จะหมด แล้วเครื่องจะค้าง แนะนำให้เพิ่ม memory swap เป็น 4GB โดยทำตามวิธีใน<a href="https://www.jetsonhacks.com/2019/11/28/jetson-nano-even-more-swap/">เว็บน</a>ี้ เริ่มต้นเช็ค memory ก่อน ด้วยคำสั่งนี้</p><pre>$ zramctl</pre><p>เข้าไปแก้ไขไฟล์ ด้วยคำสั่ง /etc/systemd/nvzramconfig.sh ด้วยคำสั่งนี้</p><pre>$ sudo gedit /etc/systemd/nvzramconfig.sh</pre><p>แก้บรรทัด</p><pre>mem=$(((“${totalmem}” / 2 / “${NRDEVICES}”) * 1024))</pre><p>เป็น</p><pre>mem=$(((“${totalmem}” / “${NRDEVICES}”) * 1024))</pre><p>แล้ว restart เครื่อง</p><h4>เตรียมโมเดล</h4><p>ขั้นตอนถัดไป เราจะนำ Pre-trained โมเดล (MobileNetV2 จาก <a href="https://arxiv.org/abs/1801.04381">MobileNetV2: Inverted Residuals and Linear Bottlenecks</a> ใน CVPR 2018) มารันบน Jetson Nano (Pre-trained โมเดล คือ โมเดลที่ถูกสร้างไว้ก่อนแล้ว มักสร้างจากชุดข้อมูลตัวอย่างขนาดใหญ่ แล้วมีการแชร์ให้สาธารณชนใช้กัน)</p><p>ให้ไปที่ Colab Notebook นี้ เราจะทำการแปลง pre-trained model มาเซฟในรูปแบบของ <a href="https://www.tensorflow.org/guide/saved_model">SavedModel</a> ในตัวอย่างเราใช้ pre-trained model เพื่อความสะดวก แต่คุณสามารถเปลี่ยนมันเป็นโมเดลอื่น ๆ ที่คุณต้องการ รวมถึงโมเดลที่คุณสร้างเองก็ได้</p><p><a href="https://colab.research.google.com/drive/1M7bo8SRAZT0XLQEfIDSz5vqwpbx_j6zS">Google Colaboratory</a></p><p>รันโค้ดใน notebook นี้ โค้ดในบรรทัดนี้ โหลด pre-trained โมเดล ที่ Keras มีให้</p><pre>model = MobileNetV2(weights=&#39;imagenet&#39;)</pre><p>ส่วนบรรทัดนี้ เซฟ pre-trained โมเดลลงใน folder</p><pre>model.save(&#39;mobilev2_saved_model&#39;)</pre><p>แล้วเราก็ zip โมเดลอยู่ในไฟล ์ๆ เดียว ที่มีชื่อว่า mobilev2_saved_model.tar.gz เพื่อความสะดวกในการดาวน์โหลด ให้เราดาวน์โหลดไฟล ์แล้ว extract มันซะ ตอนนี้เราก็มีโมเดลที่พร้อมรันบน Jetson Nano แล้ว</p><h4>รันโมเดลบน Jetson</h4><p>เราจะทำการ Image Classification บน Jetson Nano แล้ว โดยเราเริ่มจากดาวน์โหลดภาพตัวอย่างก่อน โดยพิมพ์คำสั่งนี้บน Terminal</p><pre>$ mkdir ./data<br>$ wget  -O ./data/img0.JPG &quot;https://d17fnq9dkz9hgj.cloudfront.net/breed-uploads/2018/08/siberian-husky-detail.jpg?bust=1535566590&amp;width=630&quot;<br>$ wget  -O ./data/img1.JPG &quot;https://www.hakaimagazine.com/wp-content/uploads/header-gulf-birds.jpg&quot;<br>$ wget  -O ./data/img2.JPG &quot;https://www.artis.nl/media/filer_public_thumbnails/filer_public/00/f1/00f1b6db-fbed-4fef-9ab0-84e944ff11f8/chimpansee_amber_r_1920x1080.jpg__1920x1080_q85_subject_location-923%2C365_subsampling-2.jpg&quot;<br>$ wget  -O ./data/img3.JPG &quot;https://www.familyhandyman.com/wp-content/uploads/2018/09/How-to-Avoid-Snakes-Slithering-Up-Your-Toilet-shutterstock_780480850.jpg&quot;</pre><p>มันจะดาวน์โหลด้ 4 ภาพนี้ให้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/295/1*M7UdCs0XFP1FV215cj4u4A.png" /></figure><p>จากนั้นให้ดาวน์โหลดโค้ดตัวอย่างจาก <a href="https://github.com/sgulyano/tensorrt_tutorial">GitHub นี้</a> สามารถโหลดโดยใช้คำสั่งนี้</p><pre>$ git clone <a href="https://github.com/sgulyano/tensorrt_tutorial.git">https://github.com/sgulyano/tensorrt_tutorial.git</a><br>$ cd tensorrt_tutorial/image_classification</pre><p>แล้วรันคำสั่งดังต่อไปนี้ เพื่อทำการ classify หนึ่งภาพ</p><pre>python3 console_classify.py ./data/img1.JPG ./mobilev2_saved_model/</pre><p>ก็จะได้ผลลัพธ์นี้ออกมา บอกว่ามั่นใจว่าเป็นภาพ lorikeet 62.51%</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1018/1*zmdv82_k3o05CW8KzbEV_A.png" /></figure><p>โค้ดส่วนที่สำคัญมี</p><pre>print(&#39;Load Model&#39;)<br>saved_model_loaded = tf.saved_model.load(<br>                             model_path, <br>                             tags=[tag_constants.SERVING])<br>signature_keys = list(saved_model_loaded.signatures.keys())<br>print(signature_keys)</pre><pre>infer = saved_model_loaded.signatures[&#39;serving_default&#39;]<br>print(infer.structured_outputs)</pre><p>ที่ทำการโหลดโมเดล และส่วนนี้ เพื่อทำการจำแนกภาพ</p><pre>labeling = infer(x)<br>preds = labeling[&#39;predictions&#39;].numpy()</pre><p>ในขณะที่ภาพ เราต้องโหลดเข้ามา, เปลี่ยน color space จาก BGR เป็น RGB, เปลี่ยนขนาดให้เป็น 224x224 เพราะโมเดลรองรับภาพขนาดนี้เท่านั้น, จัดอยู่ในลิสของรูป, ทำ pre-processing, แล้วแปลงเป็น Tensor ก่อนที่จะนำไปใช้ได้ ซึ่งทำได้ด้วยโค้ดนี้</p><pre>img = cv2.imread(img_path)<br>img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)<br>img = cv2.resize(img, size)</pre><pre>x = np.expand_dims(img, axis=0)<br>x = preprocess_input(x)<br>x = tf.constant(x)</pre><p>จริง ๆ แล้วโค้ดที่ใช้ก็เหมือนใน Colab Notebook ก่อนหน้านี้เลย นั่นหมายความว่าโค้ดเดียวกัน เราสามารถรันมันไม่ว่าจะบนเดสท็อป เซิร์ฟเวอร์ รวมถึง Jetson Nano ได้เลย</p><h4>ประสิทธิภาพ</h4><p>ก่อนจะไปส่วนถัด ดูความเร็วในการรันซักนิดนึง ลองรันโค้ด</p><pre>python3 benchmark_classify.py ./mobilev2_saved_model/</pre><p>เราก็จะได้ผลลัพธ์ประมาณนี้ 17 FPS ก็พอใช้ได้สำหรับคอมพิวเตอร์ขนาดเล็กของเรา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/734/1*_sJyitwaou7pd5aRsdOV6Q.png" /></figure><h3>2. TensorRT</h3><p>ในส่วนสุดท้ายของบทความนี้เราจะมาดู TensorRT กัน จริง ๆ แล้ว TensorRT ก็เป็นแค่การเอาโมเดล Tensorflow ในหัวข้อที่แล้ว มา optimize ให ้Deep Learning model รันได้เร็วขึ้น ใช้ memory น้อยลง โดยปกติเราก็จะทำการ optimize โมเดลบนเครื่อง dev ที่มีทรัพยากรมากกว่า Jetson Nano แล้วค่อยเอา TensorRT โมเดลมารันบน Jetson Nano เท่านั้นเอง</p><blockquote>TensorRT คืออะไร??</blockquote><p>NVIDIA TensorRT™ เป็น SDK (software development kit) สำหรับ deep learning inference (ภาษาคน คือ ใช้ deep learning พยากรณ์หรือคำนวณอะไรซักอย่าง) แบบ high-performance ที่มี latency ต่ำ (ตอบสนองได้เร็ว) และ throughput สูง (รองรับงานได้เยอะ)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*asvCqn1JXuzL0dDaqDTVkw.png" /><figcaption>การทำงานของ TensorRT [Ref: <a href="https://developer.nvidia.com/tensorrt">https://developer.nvidia.com/tensorrt</a>]</figcaption></figure><p>วิธีการหนึ่งที่ TensorRT ใช้ในการ optimize คือการเปลี่ยนชนิดตัวแปร (variable) จากปกติที่เป็นจำนวณจริงขนาด 32 บิต (FP32) ลดเหลือ จำนวนเต็ม 8 บิต (INT8) หรือ จำนวนจริง 16 บิต (FP16) ซึ่งช่วยให้ใช้ memory น้อยลง และรันได้เร็วขึ้นด้วย ทำให้เหมาะในการ deploy ใน application ที่เป็น real-time เช่น video streaming เป็นต้น สามารถดูรายละเอียดเพื่อเติมได้จากเว็บเหล่านี้</p><ul><li><a href="https://developer.nvidia.com/tensorrt">https://developer.nvidia.com/tensorrt</a></li><li><a href="https://www.blognone.com/node/93598">https://www.blognone.com/node/93598</a></li></ul><h4>ขั้นตอนการแปลงจาก TensorFlow Model เป็น TensorRT</h4><p>สามารถดูวิธีการจาก <a href="https://colab.research.google.com/drive/1M7bo8SRAZT0XLQEfIDSz5vqwpbx_j6zS">colab notebook นี้</a>ได้ ซึ่งขั้นตอนการแปลงนี้ เรามักจะรันบนเครื่องสำหรับพัฒนาโมเดล เรียกสั้น ๆ ว่า dev ซึ่งเป็นเครื่องคอมที่แรงกว่า เพราะการแปลงใช้ทรัพยากรเยอะ และต้องใช้ library บางตัวที่เราไม่จำเป็นต้องลงบนเครื่องที่ใช้ deploy หรือรองรับการใช้งานของผู้ใช้จริง ๆ</p><p>โค้ดที่ใช้แปลง Tensorflow Model เป็น TensorRT หลัก ๆ มีประมาณนี้</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b5e6319213529dca7f06a31ca680f398/href">https://medium.com/media/b5e6319213529dca7f06a31ca680f398/href</a></iframe><p>บรรทัด 1 กำหนด parameter ในการแปลง <br>บรรทัดที่ 4 สร้าง object ในการแปลง <br>บรรทัด 7 เรียกฟังก์ชันในการแปลง<br>บรรทัด 8 บันทึกโมเดลหลังการแปลง</p><h4>การนำมาใช้ใน Jetson Nano</h4><p>ใน <a href="https://colab.research.google.com/drive/1M7bo8SRAZT0XLQEfIDSz5vqwpbx_j6zS">Colab Notebook</a> นี้ ได้ทำการ optimize โมเดลด้วย TensorRT แล้ว เซฟในแฟ้ม mobilev2_saved_model_TFTRT_FP16 ซึ่งเรา zip มันเพื่อให้ง่ายต่อการดาวน์โหลด ถัดไปเราก็ดาวน์โหลดโมเดลมารันบน Jetson Nano เหมือนก่อนหน้านี้ได้เลย</p><p>ลองรันคำสั่งดังต่อไปนี้ เพื่อทำการ classify หนึ่งภาพโดยใช้โมเดลที่ optimize ด้วย TensorRT</p><pre>python3 console_classify.py ./data/img1.JPG ./mobilev2_saved_model_TFTRT_FP16/</pre><p>ก็จะได้ผลลัพธ์นี้ออกมาเหมือนกัน บอกว่ามั่นใจว่าเป็นภาพ lorikeet 62.51%</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/734/1*cTPOhTpHxcg9wQck-jWVGA.png" /></figure><h4>ประสิทธิภาพ</h4><p>เมื่อเราดูความเร็วในการรันโมเดลนี้ ด้วยการรันโค้ดนี้</p><pre>python3 benchmark_classify.py ./mobilev2_saved_model_TFTRT_FP16/</pre><p>เราจะได้ 20 FPS เร็วขึ้นนิดหน่อย ประมาณ 10% โดยที่เราแทบจะไม่ต้องทำอะไรเพิ่มเลย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/734/1*Gv8u1NS1gT1qtthh8bIgDg.png" /></figure><h3>สรุป</h3><p>ในบทความนี้เราดูวิธีการรัน pre-trained โมเดล หรือโมเดลอื่น ๆ ที่เป็น Keras/Tensorflow บน Jetson Nano สำหรับแก้ปัญหา Image Classification โดยโค้ดที่รันบน Jetson Nano โหลดได้จาก<a href="https://github.com/sgulyano/tensorrt_tutorial">เว็บนี้</a> ส่วนโค้ดที่โหลด/เซฟ pre-trained model ดูได้จาก <a href="https://colab.research.google.com/drive/1M7bo8SRAZT0XLQEfIDSz5vqwpbx_j6zS">colab notebook น</a>ี้ หวังว่าจะอ่านเข้าใจกัน 555 ขอบคุณมาอ่าน ถ้าชอบก็ช่วยกด claps ด้วย หรือถ้ามีคำถามก็คอมเม้นข้างล่างได้เลย</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=87428b3c6e17" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ลองใช้ DeepStream บน Nvidia Jetson Nano]]></title>
            <link>https://medium.com/@sgulyano/%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B9%83%E0%B8%8A%E0%B9%89-deepstream-%E0%B8%9A%E0%B8%99-nvidia-jetson-nano-bea294c11a8e?source=rss-b25e92180812------2</link>
            <guid isPermaLink="false">https://medium.com/p/bea294c11a8e</guid>
            <category><![CDATA[setup-guide]]></category>
            <category><![CDATA[object-detection]]></category>
            <category><![CDATA[video-analytics]]></category>
            <category><![CDATA[deepstream]]></category>
            <category><![CDATA[jetson-nano]]></category>
            <dc:creator><![CDATA[Sarun Gulyanon]]></dc:creator>
            <pubDate>Fri, 08 May 2020 15:17:14 GMT</pubDate>
            <atom:updated>2020-05-08T15:17:14.308Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*X4EXsdwsuW0lbuoD7y0YLQ.png" /></figure><p>ในบทความนี้เราจะมาดูวิธีการติดตั้ง DeepStream บน Jetson Nano และการใช้ DeepStream ทำการวิเคราะห์วีดีโอ หรือ video analytics เบื้องต้นด้วย</p><p>เนื้อหาในบทความนี้ แปลมาจากบางส่วนของหลักสูตร “Getting Started with DeepStream for Video Analytics on Jetson Nano” ของ NVIDIA ที่สำคัญคือหลักสูตรนี้ฟรี ดูรายละเอียดได้ที่ <a href="https://courses.nvidia.com/courses/course-v1:DLI+C-IV-02+V1/about">https://courses.nvidia.com/courses/course-v1:DLI+C-IV-02+V1/about</a></p><h3>อะไรคือ DeepStream</h3><p>NVIDIA DeepStream SDK เป็นเครื่องมือในการสร้างระบบวิเคราะห์วีดีโออัจฉริยะ ที่มาคือในระบบ IoT (Internet of Things) กล้องถูกใช้งานมากที่สุดเป็นอันดับหนึ่ง แล้วก็มีแอปพลิเคชันจำนวนมาก ไม่ว่าจะเป็นด้านอุตสาหกรรม ร้านค้า การจราจร เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*UFi4N4YH0aBKwGXAoYvuJA.png" /><figcaption>ภาพจาก NVIDIA</figcaption></figure><p>แม้ว่าโจทย์จะไม่เหมือนกัน แต่ขั้นตอนการทำงานคล้าย ๆ กัน เช่น การดึงข้อมูลภาพจากกล้อง แล้ว pre-processing ต่อด้วยวิเคราะห์และแสดงผล เป็นต้น NVIDIA เล็งเห็นตรงนี้ ก็เลยสร้าง DeepStream SDK ขึ้น</p><p>โดย DeepStream SDK เป็นเครื่องมือ (toolkit) สำหรับสร้าง pipeline ทำ video analytics โดยแบ่งขั้นตอนต่าง ๆ เป็นปลั๊กอิน (plugins) ที่คุณสามารถหยิบออก หรือใส่เพิ่มได้ตามความต้องการ</p><blockquote>แล้วมีประโยชน์ยังไง ?</blockquote><p>ก็น่าจะช่วยให้ทำ video analytics ได้ง่ายขึ้น เร็วขึ้น และผลลัพธ์ก็น่าจะเร็วขึ้น(มั้ง) แต่อย่างน้อยผลลัพธ์ที่ได้ ก็จะ scale (รองรับการใช้งานที่เพิ่มขึ้น) ได้และเชื่อมต่อกับระบบอื่น ๆ ได้ง่ายขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*8j9IpUMsyU5w8q-eM2x5fw.png" /><figcaption>ภาพจาก NVIDIA</figcaption></figure><p>ดูรายละเอียดได้ที่ <a href="https://developer.nvidia.com/deepstream-sdk">https://developer.nvidia.com/deepstream-sdk</a></p><h3>Jetson Nano คืออะไร</h3><p>NVIDIA Jetson Nano Developer Kit เป็นเครื่องคอมพิวเตอร์ขนาดเล็ก ที่มี GPU คล้าย ๆ Raspberry Pi แต่มี GPU แล้วก็มี pin ที่สามารถเชื่อมต่อกับอุปกรณ์ดิจิทัลต่าง ๆ ได้</p><blockquote>มี GPU แล้วไง ?</blockquote><p>ทำให้สามารถรัน Deep Learning ได้ ซึ่งเป็นเทคนิคที่สามารถแก้ปัญหาด้านการมองเห็นของคอมพิวเตอร์ (Computer Vision) และการประมวลผลภาษา (์Natural Language Processing; NLP) ได้ดี ในขณะที่เครื่องมีขนาดเล็ก สามารถติดตั้งในอุปกรณ์อื่น ๆ เพื่อเพิ่มความอัจฉริยะให้มันได้</p><p>ดูรายละเอียดได้ที่ <a href="https://developer.nvidia.com/embedded/jetson-nano-developer-kit">https://developer.nvidia.com/embedded/jetson-nano-developer-kit</a></p><p>หวังว่าตอนนี้น่าจะพอเห็นภาพแล้วว่าทำไมต้องมาอ่านบทความนี้ 555 อยากทำแล้วต้องเตรียมอะไรบ้าง</p><h3>การเตรียมตัว</h3><ol><li>สิ่งแรกที่ต้องมีคือ Jetson Nano</li><li>MicroSD Card เนื่องจาก Jetson Nano ไม่มี hard disk แต่ใช้ SD card แทน</li><li>5V 4A Power Supply With 2.1mm DC Barrel Connector สำหรับจ่ายไฟให้ Jetson Nano เพราะเราจะใช้ MicroUSB port ทำอย่างอื่นแทน รวมถึงมันให้ไฟได้มากกว่าด้วย ก็รันได้เต็มพลังของมัน</li><li>2-Pin Jumper สำหรับใส่ใน Jetson Nano ตรง pin J48 (เบอร์ 9) แล้วมันจะ้ใช้ไฟจาก Barrel Connector</li><li>USB Cable (Micro-B To Type-A) เพื่อต่อ Jetson Nano เข้ากับคอมพิวเตอร์ของเรา (ต้องมีคอมพิวเตอร์อีกเครื่อง)</li><li>กล้อง webcam</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1XiIJXkj51vp5xY4i7_9vA.png" /><figcaption>ภาพจาก NVIDIA</figcaption></figure><h3>ขั้นตอนการติดตั้ง</h3><ol><li>ดาวน์โหลดไฟล์ <a href="https://developer.download.nvidia.com/training/nano/dsnano_v1-0-0_20GB_200131A.zip">NVIDIA DLI DeepStream Jetson Nano SD Card Image v1.0.0</a> เพราะเราจะลง JetPack แบบ headless แปลว่า ไม่มีหน้า Desktop ไม่มี GUI แต่เราจะใช้งานแบบ remote display ผ่าน RTSP (Real Time Streaming Protocol) แถมไฟล์นี้มาพร้อมกับตัวอย่างด้วย</li><li>Flash ไฟล์ที่เราดาวน์โหลดมาบน microSD สามารถใช้โปรแกรม <a href="https://www.balena.io/etcher/">Etcher </a>ได้ สามารถดูขั้นตอนอย่างละเอียดได้ที่ <a href="https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write">https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write</a></li><li>เสร็จแล้วนำ microSD ใส่ใน Jetson nano (ช่องใส่อยู่ตรงก้น แถวเบอร์ 1)</li><li>นำ 2-pin jumper ใส่ตรง pin J48</li><li>เสียบ USB ต่อจาก Jetson nano ไปยังคอมพิวเตอร์</li><li>เสียบ adapter ที่ Barrel Connector ก็จะเห็นไฟสีเขียว ใกล้ ๆ port USB แปลว่าไฟเข้า และกำลังเริ่มทำงาน</li></ol><p>เป็นอันเสร็จสิ้นการติดตั้ง</p><h3>การเข้าใช้</h3><p>แม้ว่า OS บน Jetson nano ที่เราติดตั้ง จะเป็นแบบ headless แต่มันมี JupyterLab Server ที่เราสามารถเข้าถึงได้ผ่าน web browser</p><ol><li>ให้เปิดเว็บเบราว์เซอร์ไปที่ URL : <a href="http://192.168.55.1:8888/">192.168.55.1:8888</a></li><li>แล้วใส่ password : <strong>dlinano</strong></li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/475/1*86qD0qiVWbJ-6Pcs-JaceA.png" /><figcaption>เปิดเว็บเบราว์เซอร์ไปที่ URL : <a href="http://192.168.55.1:8888/">192.168.55.1:8888</a> ก็จะเห็นหน้าจอนี้ ก็กรอกพาสเวิร์ดลงไป</figcaption></figure><p>เป็นอันเสร็จสิ้น เราก็จะเข้ามาหน้าหลักของ JupyterLab ดู User Guide ได้ที่ <a href="https://jupyterlab.readthedocs.io/en/stable/">https://jupyterlab.readthedocs.io/en/stable/</a> ในหน้าหลักนี้คุณก็สามารถเขียนโค้ด รันโค้ด รันคำสั่งบน terminal ได้ เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*v1MBcAz8qHGJf50r6Ta84g.png" /></figure><h3>ลองทำ Object Detection</h3><p>เราจะลองรันโค้ดตัวอย่าง ที่ใช้ DeepStream ในการทำ Object Detection บนไฟล์วีดีโอ แต่ว่า Object Detection อันนี้ ตรวจจับได้แค่ คน รถยนต์ จักรยาน และป้ายถนน</p><p>วิธีการให้ทำ เริ่มต้นจากการเปิดโค้ดตัวอย่าง ที่ Notebooks &gt; 01_ObjDetect.ipynb</p><p>รัน cell นี้ เพื่อทำการ compile โค้ด</p><pre># Build the app<br>%cd /home/dlinano/deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-rtsp_out<br>!make clean<br>!make</pre><p>รัน cell นี้ เพื่อทำ object detection ในแต่ละเฟรมของวีดีโอที่เราป้อน แล้วแสดงผลทาง RTSP ซึ่งเราสามารถเปิดดูได้ทาง VLC ถ้าต้องการเปลี่ยนชนิดไฟล์ก็ต้องไปเปลี่ยน plugins ตามชนิดไฟล์ที่ป้อนด้วย (จะอธิบายในบทความถัด ๆ ไป)</p><pre># Run the app<br>%cd /home/dlinano/deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-rtsp_out<br>!./deepstream-test1-app /home/dlinano/deepstream_sdk_v4.0.2_jetson/samples/streams/sample_720p.h264</pre><p>เมื่อรันโค้ดด้านบน ให้เปิดโปรแกรมเล่นวีดีโอ ที่สามารถเล่นวีดีโอที่ส่งมาทาง network ได้ เช่น VLC ใน VLC ให้ไปที่ Media &gt; Open Network Stream… แล้วใส่ rtsp://192.168.55.1:8554/ds-test แล้วกด Play ถ้าสำเร็จก็จะเห็นผลลัพธ์หน้าตาประมาณนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*0d12J1ZoVUusKbnDzHE7xg.png" /></figure><p>ถ้าอยากรู้ขั้นตอนการทำงานของโปรแกรม ลองเข้าไปดูฟังก์ชัน main ของ <a href="http://192.168.55.1:8888/files/deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-rtsp_out/deepstream_test1_app.c?_xsrf=2%7C8f363e55%7Cf39d872eeba149216c8eebd1a8bcceba%7C1588947192">/home/dlinano/deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-rtsp_out/deepstream_test1_app.c</a> ดู ก็จะเห็น plugins หลายอันเลย ดังนี้</p><ul><li>GstFileSrc (source) - ใช้อ่านวีดีโอจากไฟล์</li><li>GstH264Parse (h264parser) - แปลงข้อมูลเข้าที่เป็น H264 stream</li><li>Gst-nvv4l2decoder (decoder) - ทำ video decoder</li><li>Gst-nvstreammux (streammux) - จัดเฟรมเป็นกลุ่มสำหรับทำการวิเคราะห์</li><li>Gst-nvinfer (pgie) - รัน deep learning โดยใช้ TensorRT</li><li>Gst-nvvideoconvert (nvvidconv) - แปลงเฟรมเป็น RGBA</li><li>Gst-nvdsosd (nvosd) - วาดกล่องสี่เหลี่ยมรอบวัตถุและคำอธิบายลงในภาพ</li><li>Gst-nvvideoconvert (transform) - แปลงเฟรมเป็น I420</li><li>GstCapsFilter (cap_filter) - แคปลิมิตข้อมูลenforces limitations on data (no data modification)</li><li>Gst-nvv4l2h264enc (encoder) - เข้ารหัสวีดีโอเป็น H264</li><li>GstRtpH264Pay (rtppay) - แปลง H264 เป็น RTP packets (RFC 3984) สำหรับส่งผ่านเน็ตเวิร์ค</li><li>GstUDPSink (sink) - ส่ง UDP packets ผ่านเน็ตเวิร์ค เมื่อใช้กับGst-rtph264pay ก็จะได้ RTP streaming</li></ul><p>**ในวงเล็บคือชื่อตัวแปรในโค้ด</p><p>หลัก ๆ ก็จะแปลงข้อมูลมาอยู่ใน RGBA เพื่อให้สามารถวิเคราะห์ด้วย Deep Learning ได้แล้วแปลงกลับมาเป็น packets สำหรับ streaming ก็เป็นอันเสร็จสิ้น</p><h3>รัน Object Detection กับ Webcam</h3><p>ส่วนคราวนี้เราจะรันโค้ดตัวอย่าง ที่ใช้ DeepStream ในการทำ Object Detection กับภาพจากกล้อง webcam โดยเราจะใช้โมเดลเดิมที่สามารถตรวจจับได้แค่ คน รถยนต์ จักรยาน และป้ายถนน</p><p>กล้อง webcam ก็สามารถติดตั้งได้โดยการต่อสายที่ port USB ได้เลย</p><p>วิธีการทำเริ่มต้นจากการเปิดโค้ดตัวอย่าง ที่ Notebooks &gt; 06_DSWebcam.ipynb</p><p>เริ่มจาก compile โค้ดตัวอย่าง</p><pre>%cd /home/dlinano/deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-webcam_in/<br>!make clean<br>!make</pre><p>แล้วก็รัน (อย่าลืมเชื่อมต่อ webcam ก่อนรัน)</p><pre>%cd /home/dlinano/deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-webcam_in/<br>!./deepstream-test1-app</pre><p>เมื่อรันโค้ดด้านบน ใน VLC ให้ไปที่ Media &gt; Open Network Stream… แล้วใส่ rtsp://192.168.55.1:8554/ds-test แล้วกด Play ถ้าสำเร็จก็จะเห็นผลลัพธ์ภาพจาก webcam</p><p>ระวังด้วย ว่าถ้าติดกล้องหลายตัว เช่น Raspberry Pi V2 Camera เป็นต้น ชื่อ path ไปยังอุปกรณ์อาจจะเปลี่ยนชื่อไป เราต้องไปเปลี่ยนในโค้ดด้วย แต่โดยทั่วไปแล้ว ถ้าติดแค่กล้องเดียว มันจะอยู่ที่ /dev/video0 ให้ไปที่ไฟล์ /deepstream_sdk_v4.0.2_jetson/sources/apps/dli_apps/deepstream-test1-webcam_in/deepstream_test1_app.c ในฟังก์ชัน main แถว ๆ บรรทัดที่ 221 ให้เปลี่ยนเป็น path ไปยัง webcam ที่ต้องการ</p><pre>g_object_set (G_OBJECT (source), &quot;device&quot;, &quot;/dev/video0&quot;, NULL);</pre><p>โปรแกรมมันจะรันไปเรื่อย ๆ ถ้าต้องการหยุด ให้กด Kernel &gt; Interrupt Kernel ในหน้า JupyterLab</p><p>หลัก ๆ การเริ่มต้นใช้งาน DeepStream บน Jetson Nano ก็มีเท่านี้ ผมก็ยังใช้ไม่เป็น มามึน ๆ ไปด้วยกัน 555 แล้วว่าง ๆ ถ้าใช้เป็นแล้ว จะมาเขียนต่อ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bea294c11a8e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>