在前面的文章中，我们以“10 行 python 代码”为基础，深入地讲解了 Hello AI World 项目的输入（videoSource）、输出（videoOutput）以及参数解析的功能，就是为了让大家能更了解这个项目提供的工具是如此好用。
接下来我们回到 Hello AI World 的三大深度学习推理识别应用，Hello AI World 项目针对这三个应用，分别提供专门的函数库，协助使用者轻松调用。
本期将介绍“图像分类”这个应用的相关资源，包括项目已经编译好的相关工具，以及代码级别的函数调用方式，协助用户能更进一步地利用这些资源进行学习，并且开发出自己的应用代码。
当我们安装 jetson-inference 开源项目之后，系统已为我们的 Jetson 设备上安装好了“imagenet”这个执行指令以及“imagenet.py”这个可直接执行的 Python 代码。请开启一个终端，并且执行以下指令：
由于系统预设的输入源是 CSI 摄像头，如果您的设备上已经装好 CSI 摄像头的话，就会正常启动摄像头的画面，如下图：
如果设备上没安装 CSI 摄像头，就会出现以下的错误信息：
假如您的设备上装有 USB 摄像头的话，可以执行以下指令，将输入源改成 USB 摄像头：
如果您的设备上没有任何摄像头的话，可以试试用视频文件或图像文件作为输入源。设备里面的/usr/share/visionworks/source/data 下面有些测试可用的视频，在~/jetson-inference/data/images 里面也有 100 多张图片，它们都可以妥善用来进行以下的测试：
好了，现在至少确认您已经有了能够作为测试的数据源。
- 图像分类简介
这是图像识别之后最入门的应用，深度学习之父 Geoffrey Hinton 为了让计算机能够识别最简单的“手写数字（如下图）”，几乎穷其一生的精力，开发堪称深度卷积神经网络（DCNN）鼻祖的 LeNet 神经网络算法。
后来经过他的爱徒 Alex Krizhevsky 改良的 AlexNet 神经网络，在 2013 年全球 LSVRC 图像识别竞赛中一举成名，才让深度神经网络的用途得到充分的验证，从此打开“深度学习”的康庄大道，在人工智能应用上得到了爆炸性的突破。而当时 AlexNet 的崛起，其实是高度依赖 NVIDIA GPU 的众核（ManyCores）架构，换言之，如果没有 NVIDIA GPU 的计算架构，如今深度学习可能还无法得到如此大的突破发展。
图像识别的应用，是以“图像”为单位去识别图像分类归属问题的。例如下图，每张图都属于一个分类，左边两种的特性还比较明显，最右边一张图里面虽然有“珊瑚”、“热带鱼”等，但是在归类过程就只归属于“珊瑚礁”类别。这是图像识别的基本原则。
接下来我们就使用 Hello AI World 项目为我们准备好的“imagenet”工具以及 100 多张已下载的图像，来进行图像分类的推理识别实验。
使用 imagenet 进行图像分类识别
一开始我们已经简单了解了 imagenet 指令的简单用法，事实上在项目编译好之后，与图像分类有关的指令一共有 6 个。
这 6 个指令分别是：imagenet、imagenet-camera、imagenet-console、imagenet.py、imagenet-camera.py 与 imagenet-console.py。
经过测试之后，发现功能都一样，所以大家只要简单记住 imagenet 与 imagenet.py 这两个就可以。
其中 imagenet 指令作为这部分的测试用途，imagenet.py 作为下一部分的 Python 代码说明使用。
作为图像分类的推理识别应用，是由以下这几个部分所组成：
输入的数据源：可以是一张（批）图像、视频文件、摄像头等
输出的结果：可以打印在显示器，或者存到一个视频文件
选择已支持的预训练模型：
这是由其他人已经训练好的模型文件，包括 NVIDIA、Google 等非常多业界先进，且都已预先训练好的优异模型。
由于这些模型的训练非常耗费时间与精力，并且需要有经过长期维护与筛选的数据集做基础，因此一开始使用别人已经训练好的模型，能减少大量的时间成本。
本项目已经预先建立了以下 10 种模型，我们可以非常轻松地调用：
这些模型都是 NVIDIA 从 ILSVC 大赛的 ImageNet 数据集中，挑选了 1000 类的图像数据，在最高端的 DGX 服务器上（价值至少 50 万人民币），基于 Caffe 这个深度学习框架，经过数天时间所训练出来的模型。
而每个神经网络模型还包含以下三类文件：
.caffemodel：存放特征内容的模型文件
.prototxt：存放神经网络结构的文件
Ilsvrc12_synset_words.txt：存放 1000 个类别名称与描述
这些相关文件都在“安装过程”的“Download Models”时，放置在了对应的路径下。
好了，在了解整个图像分类所需要的内容之后，就能明白imagenet指令所需要的参数了，主要就是“input”、“output”与“--network=”这三个部分，每个部分在系统里面都有预设值，因此，假设什么都不给，这个指令还是可以执行的。
由于这些指令的执行，一开始都需要载入 TensorRT 加速引擎，因此一次检测一张图像，就会相当没效率，我们的测试就用批次方式来进行测试，请执行以下指令：
然后就可以在 output 目录中，看到 fruit 目录下所有图像的检测结果（如下图），请自行打开每张图片看看输出的结果。
系统预设的网络模型是 GOOGLENET，我们可以透过“--network”参数来选择其他预训练的模型，请试试以下指令：
请自行比对一下，调用不同的模型，会产生怎么不同的结果。
由于篇幅有限，关于图像分类的代码 imagenet.py 将放在下一篇内容去说明。
