该项目利用Jetson Nano结合PaddleDetection训练的模型，经Tensorrt加速实现手势检测，通过Arduino控制外设输出音阶。8种手势对应14种音阶（含八度抬高），文中详述了设备连接、环境配置、模型部署及相关代码。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
0.简介
首先感谢百度Paddle为我提供的硬件设备，为每一个梦想插上了翅膀
一枚热爱技术的菜鸡，今天想做一个目标检测和嵌入式的结合体，做一个jetson nano乐器
方案：
使用paddledetection训练模型并使用paddleInference在jetson nano上部署目标检测网络，
使用Tensorrt进行Jetsonnano的加速，
达到一个令人满意的FPS，检测简单手势，
然后再通过nano控制beep等外设，来达到beep的变频输出
使用7种手势代表7种音阶
do、re、mi、fa、sol、la、si
且为了使得音调更加丰富，我使用了第八种手势，当第八种手势出现在画面中的时候，音阶就会上抬一个八度,于是我们获得了十四个音阶
do、re、mi、fa、sol、la、si、ddo、dre、dmi、dfa、dsol、dla、dsi
从左向右从上往下依次是12 .....最后一个是音阶抬高记号
视频演示
配料表：
Jetson nano x1 Arduino x1 摄像头 x1
电源、无线网卡、网线、风扇
如有外接显示器可以直接用外接显示器而不需要网线连SSH
1.JetsonNano的部署
我这里有一块上好的JetsonNano板，打算在同一局域网下使用ssh连接下面详述
1.Jetson nano的连接
首先如果你有屏幕可以直接用屏幕本条就可以直接忽略
但是如果你是像我一样没有屏幕的玩家，可以通过serial串口进行连接、ssh进行连接、或者VNC远程桌面连接
我是没有显示屏的，我采用的是先使用串口进行连接，使用笔记本电脑开启移动热点，然后使用nano命令行连接wifi，再查询ip地址，知道了ip地址就可以使用ssh连接或使用VNC远程桌面了
使用串口连接，连接
下面是jetson nano的引脚图
按照此引脚图进行连接
使用putty，采用对应的COM口，使用波特率115200
首先使用命令进行网络设备扫描
sudo nmcli dev
|Git删除了文件，但还会在Git 仓库历史中遗留。 - 想要从 Git 历史移除敏感信息（密码、密钥、token、私钥） - 想要删除意外提交的大文件 - 想要重写 Git 历史、移除特定文件的所有痕迹 - 提到 "force push"、"重写 commit 历史" - 需要从所有分支、所有 tag 中删除某个文件
可以看见我有wlan0 作为wifi设备，这里我已经连接过了，所以显示connected
使用命令
sudo nmcli dev wifi connect "wifi名称" password "wifi密码" ifname wlan0
进行wifi的连接
然后我们可以使用ping命令检测网络的连通性，这里我直接ping百度了，可以看见是连通的
使用命令
ifconfig
命令查看ip地址，在wlan0后，显示了ip地址：划红线的地方
2.查看CUDA版本与jetpack版本以选择预测库
nvcc -V
来查看cuda版本
这里可以看到我的cuda是10.2的
使用命令
sudo apt-cache show nvidia-jetpack
由Filename可以看出
Filename: pool/main/n/nvidia-jetpack/nvidia-jetpack_4.4-b144_arm64.deb
我的jetpack版本为jetpack_4.4
3.部署安装paddle
这里我直接使用whl包安装对应的linux的预测库
预测库地址
按照上述的对应版本最终我选用了 Jetpack4.5(4.4): nv_jetson-cuda10.2-trt7-nano
4.部署paddledet
如同aistudio上部署一样，我们依然需要先git clone以下paddledetection的库这里不再赘述
git clone https://gitee.com/paddlepaddle/PaddleDetection.git
依然是
#进入文件夹cd PaddleDetection/#安装其他依赖pip3 install -r requirements.txt#编译安装paddledetcd PaddleDetection python3 setup.py install
当命令行最后一行执行出现
Finished processing dependencies for paddledet==2.3.0
完成安装
通过后可以通过
python ppdet/modeling/tests/test_architectures.py
检测一下是否成功
出现下图时即可判定成功
按照官方给的教程来即可，或者好像可以直接pip安装包，连编译都不要
- 没使用Tensorrt的板子算力就是弱，跑了我46秒多
这里可以看见报了个Warning，不过不用担心，只要不是Error就可以当作看不见
