在上一篇文章中，我们为大家介绍了 Hello AI World 环境安装，本篇文章将会带着大家感受 10 行代码的威力。
要感受这个项目的效果，最好的方式就是先体验一下它能带来的好处。因此一开始我们就为大家提供一个比较经典的范例，只用 10 行的 python 代码，实现对 90 种类别的深度学习物件检测（object detection）识别，在 Jetson Nano 2GB 上达到 10+FPS 性能。
对于不了解深度学习物件识别的初学者来说，可能不会有太多感受，但是稍微了解这个应用的人就会很清楚，即便非常优秀的 YOLOv4 算法或者 SSD-Moblienet 算法，在 Jetson Nano 2GB 上，能做到 4~6FPS 已经不容易了。但是在这里我们不去探索这些算法的内容，因为研究算法需要比较深厚的数学基础才行。
现在我们就来看看 Jetson-inference 这个开源项目是如何做到这个结果的，这里将代码呈现给大家，直接解说每一行的用途。详细的代码如下：
在说明代码之前，建议先把这段代码敲进你的 Jetson Nano 2GB 设备里，当然这个代码也适用于 Jetson 全系列产品，自行取个文件名，例如 “10lines.py” ，可以在设备中的任何一个位置。
这里唯一要先说明的地方就是第二行的蓝色部分，这里演示的摄像头是 CSI，所以蓝色参数部分用 “csi://0”，如果您只用 USB 摄像头，只需把这个地方根据您实际的摄像头编号，改成 “/ dev / video0” 即可。
假如没有 USB 摄像头，还需找到通用格式的视频文件，把参数部分改成视频文件的完整路径名，或者把视频文件复制到这个代码的位置。最简单的视频文件可以在你 Nano 上的 “/ usr / share / visionworks / sources / data ” 下面。
其他地方无需修改。存档后执行以下指令：
在说明代码之前，建议先把这段代码敲进你的 Jetson Nano 2GB 设备里，当然这个代码也适用于 Jetson 全系列产品，自行取个文件名，例如 “10lines.py” ，可以在设备中的任何一个位置。
这里唯一要先说明的地方就是第二行的蓝色部分，这里演示的摄像头是 CSI，所以蓝色参数部分用 “csi://0”，如果您只用 USB 摄像头，只需把这个地方根据您实际的摄像头编号，改成 “/ dev / video0” 即可。
假如没有 USB 摄像头，还需找到通用格式的视频文件，把参数部分改成视频文件的完整路径名，或者把视频文件复制到这个代码的位置。最简单的视频文件可以在你 Nano 上的 “/ usr / share / visionworks / sources / data ” 下面。
其他地方无需修改。存档后执行以下指令：
第一次执行时，系统会为我们选择的神经网络模型（这里是第 5 行的 “ssd-mobilenet-v2”）去生成对应的 NVIDIA TensorRT 加速引擎，这个过程大约需要 10 分钟的时间，因此并不是当机，还请耐心等候，以后再执行相同模型时，就只需要十多秒就可以了。
如何，是不是很神奇呢？只用 10 行的 Python 代码就能实现这样的功能！
接下来就解密一下这些代码的内容，让大家体会一下 jetson-inference 为大家所打造的一个非常强大的深度学习工作环境，主要包括 “视觉深度神经网络库（Vision DNN Library）” 与 “ 工具库 （Utilities Library）”。
代码第一行 “import jetson.utils” 就是导入工具库模块，接下去透过 videoSource() 建立 input 对象、videoOutput() 建立 output 对象，关于这两部分的细节，将在接下来的文章中进一步说明。
第四行 “import jetson.inference” 就是载入本项目最重要的 “深度学习推理应用” 的模块，然后用 detectNet() 建立 net 对象，处理后面的 “物件检测推理识别” 物件检测推理识别的任务，这部分至少需要给定 “模型代号” 变数以及作为检测最低要求的阈值（threshold）。
本系统最贴心的地方，就是为每个参数值都提供一个预设值，如果你忘记了给定设定值，系统还可以正常执行。
在 while 循环里，第 7 行从数据源读取一帧图像，然后到第 8 行用一个非常简单的 net.Detect(img) 函数，就能把这张图像中满足阈值的物件找出来，存放到 detections 数组中，这是非常亮眼的一个功能。
而让我们觉得更为惊奇的是，这么一道简单指令，在我们看到的地方，已经非常紧密地集成了 NVIDIA 非常强大的 TensroRT 加速引擎，立即将性能提升了数倍以上。
很多熟悉 NVIDIA 深度学习的人，都知道 TensorRT 的性能是多么令人惊羡，但集成过程又是那么地让人揪心，如今在这个项目中，初学者完全不必面对调用 TensroRT 的艰难，却能立即享受到如此优异的性能。
接下来，还有令人惊喜的地方，第 9 行这么简单的 “output.Render(img)” 指令，可以将 detections 数组里所有检测到的物件，包括框 / 颜色、类别名称、置信度这些数据，全部叠加到图像上，并且显示到画面上。
没错，就是这么一道短短的指令，居然做了这么多的事情。如果自己写过代码去将这些数据全部叠加在一起，就非常清楚这个步骤需要花费多少代码去执行。
最后，利用一个 “net.GetNetworkFPS()” 函数就轻松获取这一帧图像的计算性能，然后用 output.SetStatus() 将这些数据在显示框顶上实时更新。
如何，这样一个 10 行 Python 代码是不是很厉害呢？这里先让大家感受一下这个开源项目的厉害之处，后面的文章将带着大家深入学习几个最重要、最常用的函数内容，让读者可以循序渐进地用这些资源，开发出自己专属的应用。
