在上一篇文章中，我们已经体验了 “10 行 Python 代码的威力”，可以明显感觉到 “Hello AI World” 的内容绝非一般应用的 “Hello World” 那么简单。在本篇文章中，我们将为大家介绍如何更换模型以获得不同的效果。
当然，这个项目有一个特色，那就是它非常有效地利用了 “预训练模型”！事实上，在深度学习应用过程中，“训练模型” 是需要耗费相当大量的时间与计算资源的，这个过程对于初学者来说难度非常高，因此想要让初学者轻松上手，就必须提供 “最简单”、“最有效” 的入门方式，“支持预训练模型” 就是一种非常好的方法。
看一下上一篇 “10lines.py” 里的第 5 行代码：
我们只要将粗体底线的 “ssd-mobilenet-v2” 部分进行置换，就能调用不同的预训练模型，去改变您想要检测的类型结果。这些预训练模型的来源主要有二：
- 本系统预建立的支持：
在前面 “项目安装” 一文中，执行过程的 “Download Models” 部分就是下载这些预训练模型以及所需要的配套文件，下载脚步会将这些文件放置到对应的路径中，并且在 C++ 主代码内已经做好设置。这是本文所要说明的内容。 - 自行添加：
这个部分由于牵涉更多的设定，因此会在后面的文章中进行说明。本系统已建立的模型列表如下图：
上面的模型，都是由 NVIDIA 为大家用高性能级别的 GPU 服务器，耗费数天时间所训练出来的模型，效果与质量都是很好的。前面三种都是以 91 类的 COCO 数据集训练出来的物件检测模型，三种模型直接的差异主要在性能与置信度之间。后面 7 种模型都是 “单类” 模型，它们均只能识别一种物件，我们可以对同一个视频去改变不同的模型，看看输出的结果如何，就能清楚“更换模型去改变功能”这句话的意思。
上表中与代码有关系的是第二行 “CLI argument”，也就是我们只要将前面指令中的粗体底线（“ssd-mobilenet-v2”）进行置换，例如调用 ped-100 这个模型，就只能检测 “pedestrians（行人）” 这类物件，请将模型代码部分改成 “pednet”，如此第 5 行内容就变成：
如果只想检测 “dog（狗）” 的话，就将模型代号改为 “coco-dog”，去调用 DetectNet-COCO-Dog 这个预训练的模型，代码如下：
这么轻松的方式，就能改变调用的模型，去得到不同的结果。
为了更有效地体验不同模型的识别效果，我们用视频文件作为输入源，就更容易感受到它们之间差异，这里用系统自带的 /usr/share/visionworks/sources/data
/pedestrians.mp4 作为输入源，以此将 10lines.py 代码修改成如下：
（使用 ped-100 模型，只检测出 “Pededtrians（行人）”物件）
（使用 DetectNet-COCO-Dog 模型，只检测出 “Dog（狗）” 物件）
如何，是不是很简单呢？请自行尝试更换其他的模型，当然也可以将输入源改成摄像头，用你周遭的物体来试试效果。
最后，我们来看一个预训练好的模型，以系统预设的 SSD-Mobilenet-v2 为例，主要文件存放在 ～/jetson-inference/data/networks/SSD-Mobilenet-v2 里面，浏览一下里面的内容：
可以看到以下的列表：
第一个 “ssd_coco_labels.txt” 存放着这个模型的类别名称，您可以打开看看。
第二个 “ssd_mobilenet_v2_coco.uff” 就是预训练好的模型文件，附加文件名为 .uff 的通常是 Tensorflow 训练的模型，再转换过来的中间格式。
第三个文件的末尾附加名 “.GPU.FP16.engine” 代表是 TensorRT 所建立的加速引擎，支持 GPU 的 FP16 格式。
如果检查 ped-100 模型的话，会看到不一样的内容，执行以下指令：
可以看到以下的列表，这样的内容肯定就是由 Caffe 框架训练出来的模型。
