前一篇文章提到使用deepstream-test的范例代码，修改成“车牌识别”与“遮盖（redaction）”的应用，本文就直接带着大家实现这两个范例的实践，但是并不花时间去解释代码内容，因为基本工作流与逻辑是大致相同的（如下图），就是需要开发人员能够多做实验去熟悉每个插件直接的互动关系。
大部分我们在网上看到的 DeepStream 示范，都是用开发包里提供的 deepstream-app 这个应用，然后透过“-c”去指定配置文件，来实现很多 DeepStream 的各种用法，包括同时导入多个输入源、结合多个检测器等等，让我们很轻松地体验到 DeepStream 的强大与易用。
大部分DeepStream应用演示，都会使用SDK提供的deepstream-app这个非常强大的体验工具，这是从3.x版本就已经开发好的演示应用，只要挑选samples下面的config/deepstream-app里面十多个配置文件，花个十几分钟时间进行小幅度修改，然后用“-c”指定配置文件，就能实现非常多的强大功能，可以执行非常专业的（多屏）输出显示...
**Jetson Nano 2GB是NVIDIA的一款高性价比嵌入式平台。麻雀虽小五脏俱全，战力强悍，但是惜乎没有原生Android系统支持。目前想在Jetson平台上体验Android，可以使用虚拟机运行Android系统，或者使用Anbox这样的平台。Anbox是基于容器开发的，能够为Android程序提供原生运行支持。今天我们来尝试一下在Jetson Nano上编译...
前面已经介绍过关于 DeepStream 各种输入源的使用方式，而且 Jetson Nano 2GB 上开启 4 路输入（两个摄像头+两个视频文件），都能得到 25FPS 以上的实时性能，但毕竟“单一检测器（detector）”检测出来的物件是离散型的内容，例如车、人、脚踏车这些各自独立的信息。有没有什么方法能够实现“组合信息”呢？例如“黑色/大众/...
前面介绍过使用 deepstream-app 工具，启用多个视频进行车辆与行人的识别，并且启动“追踪”功能进行物件追踪的高级功能，接下来就教大家如何在 deepstream-app 里调用 USB 与 CSI 摄像头，并且与先前的视频同时启用来进行物件识别的应用。
在计算机视觉的应用中，“识别”只是一个相当入门的技术，相信很多人在执行深度学习推理应用中，经常产生的质疑就是“识别出的类别，有什么用途呢”？
NVIDIA所提供的开发资源，大多属于库（library）或API级别，包括CUDA、CUDNN、CuFFT、CuBLAS、TensorRT等，需要具备足够的C++/Python编程语言基础的开发人员，才有能力发去挥GPU/CUDA的并行计算优势，这个特性某种程度限制了并行计算相关应用的普及。
与前面“图像分类的模型训练”几乎完全一致的步骤，本文要带着大家来建立自己专属的物件检测模型，这是实用性较高的部分，因为物件检测的应用比较接地气，能轻易地与生活周遭的场景相结合，所以以“物件检测的模型训练”作为 “Hello AI World” 系列文章的结尾，是非常有意义的事情。
前面的所有内容与实验，全部都是关于“推理识别（inference）”的部分，主要是为了让用户先体会到“最终结果”，包括需要花费的精力、以及最后得到的效率。由于项目提供非常多的预训练模型文件，因此我们可以很轻松地调用这些资源，去进行推理计算，并且得到相当惊人的性能。
本系列最后一个需要说明的推理识别应用，就是语义分割（semantic segmentation）的推理识别，字面上经常造成初学者的误解，以为这是语音语义识别相关的应用。现在我们看看下面的一张图片，就比较能理解语义分割的应用是什么。
如果您跟着我们仔细走过前面 9 篇 “Hello AI World” 文章，相信应该都把整个 jetson-inference 的结构与逻辑都摸清楚了，接下来的重点，就是在目前深度学习中比较普及的“物件检测”应用，重点主要有以下三部分：
前一篇文章已经带着大家使用 Hello AI World 项目的 imagenet 指令进行了深度学习图像分类的推理识别实验，但这些演示与测试只是个学习的过程，最终的目的还是要能用起这个项目的资源，为自己开发合适的应用代码。因此本文就延续上一篇文章来向大家介绍 “Hello AI World” 图像分类代码。
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。
NVIDIA Jetson Nano 2GB 系列文章（20）：“Hello AI World” 扩充参数解析功能
上一篇文章为大家深入地讲解了 videoSource() 这个非常强大的输入源处理模块，本文的重点将聚焦在 videoOutput() 这个输出标的处理模块。
前两篇已经用 10 行 Python 代码展现了 Hello AI World 强大而且简便的物件检测识别能力，虽然大部分的人都将目光集中在了深度学习的三大推理识别（图像分类、物件检测、语义分割），但是在整个项目中，其实还有两个非常重要的功臣功能，那就是 videoSource() 与 videoOutput() 这两个专司输入与输出的接口。
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。
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。
