はじめに

　Jetsonの記事をまとめます。Jetsonを応用するために、まずはJetsonを勉強するところから始めようと考えています。当面は、cuda環境の構築を行い、特定のAIモデルを選択し、気軽に学習できる環境を構築することを目標とします。

環境

Jetson Xavier NX
USBカメラ（Logicool C270）
NVIDIA A100 Tensor Core GPU

背景

　AIのエッジコンピューティング環境を画像処理のために用意したが、実際にどのように使用してよいか、よくわからないというところがあり、現状活用できていない。Jetsonに関係する情報を集め、サンプルプログラムを動作させるところからはじめ、最終的には学習環境(NVIDIA A100 Tensor Core GPU)と推論環境(Jetson)の連携を図ることを模索します。

やりたいこと

　　遠隔に機械学習環境が準備できたので、以下のNVIDIAが示すネットワークモデルを目標に環境を構築します。

調査概要

　Getting Started With Jetson Xavier NX Developer Kitの顔トラッキングができたので、その次のサンプルプログラムを動作させてみたいと思います。

Jetsonのセットアップ
（参考）Jetsonの推論結果をRTPでPCに転送する
サンプルスクリプトを作成し、動作させる
Jetson内でイメージ分類モデルを学習させる（途中）
遠隔の機械学習環境と連携させる（途中）
サンプルではなく、独自の環境を構築する（途中）

調査詳細

1　Jetsonのセットアップ

　NVIDIA公式ページを参考にJetsonのセットアップを行います。VideoWalkThroughsには動画コンテンツもあるのでおすすめできます。

1.　事前にUSBカメラをJetsonに接続しておく

2.　まず現在のJetsonのセットアップ状況を確かめる

　(1).　L4Tバージョンは以下のとおり

L4Tバージョン

$ cat /etc/nv_tegra_release
# R32 (release), REVISION: 6.1, GCID: 27863751, BOARD: t186ref, EABI: aarch64, DATE: Mon Jul 26 19:36:31 UTC 2021

　(2).　nvidia-l4t-coreバージョンは以下のとおり

nvidia-l4t-coreバージョン

$ dpkg-query --show nvidia-l4t-core
nvidia-l4t-core	32.6.1-20210726122859

　(3).　JetPackのバージョンは以下のとおり

JetPackバージョン

$ sudo apt show nvidia-jetpack
Version: 4.6-b199

3.　次にdocker containerをクローンし、docker上でAI環境セットアップ

docker container クローン＆セットアップ

$ git clone --recursive https://github.com/dusty-nv/jetson-inference
$ cd jetson-inference
$ docker/run.sh

4.　2のAI環境セットアップで0で接続したカメラを自動でマウントしたことを確認

マウント確認

$ cd build/aarch64/bin
$ ls /dev/video*
$ ./video-viewer /dev/video0

5.　USBカメラから取得したストリーミング映像でリアルタイム物体判定

detectnetと映像の接続

$ detectnet /dev/video0

6.　USBカメラから取得したストリーミング映像でリアルタイム物体判定

imagenetと映像の接続

$ imagenet /dev/video0

7.　（参考）

　色々な画像、動画、プロトコルに対応している。手持ちのGenie Nanoで動作させるためには、プロトコル変換（ファイル保存、rtp配信等）する必要があるかもしれない（要調査）。
　Camera Streaming and Multimedia

MIPI CSI cameras
V4L2 cameras
RTP / RTSP
Videos & Images
Image sequences
OpenGL windows

2　（参考）Jetsonの推論結果をRTPでHostPC(MacOS)に転送する

　HostPC(MacOS)のターミナルウインドウをTerminal1, Terminal2と分けて、それぞれで操作します（混乱しやすいので、記載を分けました。）。

1.　(Terminal1)HostPC(MacOS)にGStreamerをインストールする

GStreamerのインストール

$ brew install gstreamer gst-plugins-base gst-plugins-good gst-plugins-bad
$ brew install gst-plugins-ugly

2.　(Terminal1)HostPC(MacOS)からJetsonにssh接続する

HostPCからJetsonにssh接続

$ ssh -XY xxxx@hostname

3.　(Terminal1)Jetson上の1-3で起動したdockerコンテナをbashで立ち上げ、detectnetを起動する

既存docker imageへの接続（ポートは1234）

$ sudo docker exec -it (containerid) /bin/bash
$ detectnet /dev/video0 rtp://HostPC名（IPアドレス）:1234

（注意）sshでリモート接続した後にコンテナをアタッチする必要がある

4.　(Terminal2)MacOSでのRTP受信

GStreamerでポート1234に届くudpパケットを受信する

$ gst-launch-1.0 -v udpsrc port=1234 \
 caps = "application/x-rtp, media=(string)video, clock-rate=(int)90000, encoding-name=(string)H264, payload=(int)96" ! \
 rtph264depay ! decodebin ! videoconvert ! autovideosink

5.　結果

nvidiaの公式ページで説明があるように多少の遅延が生じる
Jetsonそのものにはモニターをつけずに、遠隔PCから確認することも可能になる

3　サンプルスクリプトを作成し、動作させる

　まずは、お手本のとおりmy-recognition.pyスクリプトを作成し、動作させる（nvidiaのページほぼそのまま）。

1.　外部にディスク作成し、それをコンテナからマウントする

$ cd ~/
$ mkdir my-recognition
$ cd my-recognition
$ touch my-recognition.py
$ chmod +x my-recognition.py
$ wget https://github.com/dusty-nv/jetson-inference/raw/master/data/images/black_bear.jpg 
$ wget https://github.com/dusty-nv/jetson-inference/raw/master/data/images/brown_bear.jpg
$ wget https://github.com/dusty-nv/jetson-inference/raw/master/data/images/polar_bear.jpg 
$ cd jetson-inference
$ docker/run.sh --volume ~/my-recognition:/my-recognition

2.　my-recognition.pyを修正する

my-recognition.py

import jetson.inference
import jetson.utils

import argparse

parser = argparse.ArgumentParser()
parser.add_argument("filename", type=str, help="filename of the image to process")
parser.add_argument("--network", type=str, default="googlenet", help="model to use, can be:  googlenet, resnet-18, ect. (see --help for others)")
args = parser.parse_args()

img = jetson.utils.loadImage(args.filename)

net = jetson.inference.imageNet(args.network)

class_idx, confidence = net.Classify(img)

class_name = net.GetClassDesc(class_idx)

print('classified image as {:s} (class ID {:d}, confidence {:f})'.format(class_name, class_idx, confidence))

3.　実行する
　一部のモデルは再インストールが必要となる。下記はgooglenetとresnet-18の例

googlenet(default)

$ python3 ./my-recognition.py polar_bear.jpg

resnet-18

$ python3 ./my-recognition.py polar_bear.jpg --network=resnet-18

　推論時間を比較すると圧倒的にgooglenetが速い。

4　Jetson内でイメージ分類モデルを学習させる（途中）

参考記事