部署

将生成的代码部署到英伟达^®Tegra^®硬件的目标

您可以使用GPU Coder™与MATLAB^®NVIDIA Jetson的Coder™支持包^®和NVIDIA驱动^®平台在嵌入式NVIDIA gpu上部署您的MATLAB算法。具体来说，你可以在任何一个Windows上瞄准NVIDIA Jetson和DRIVE系列板^®或Linux^®系统。该支持包使您能够远程与NVIDIA目标通信，并为原型控制外围设备。MATLAB入口点函数被部署为一个独立的可执行文件，即使硬件连接与主机断开，它也会继续运行。

要安装这个支持包，请使用MATLAB中的Add-On Explorer。有关受支持的开发平台的信息，请参见NVIDIA板安装和设置先决条件(针对NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB编码器支持包)．

请注意

从R2021a开始NVIDIA GPU的GPU编码器支持包被命名为针对NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB编码器支持包．要在R2021a中使用此支持包，您必须具有MATLAB编码器产品。

功能

`packNGo`	在ZIP文件中打包生成的代码以便重新定位
`codegen`	生成C/ c++代码MATLAB代码
`杰森`	创建连接英伟达杰森硬件
`开车`	创建连接NVIDIA驱动硬件

对象

`coder.hardware`	为C/ c++代码生成创建硬件板配置对象MATLAB代码
`杰森`	连接到英伟达杰森硬件
`开车`	连接到NVIDIA驱动硬件

主题

MATLAB

在NVIDIA硬件上构建并运行可执行文件
从MATLAB命令行瞄准嵌入式NVIDIA板。
使用GPU编码器应用程序在NVIDIA硬件上构建和运行可执行程序
针对内嵌的NVIDIA板使用GPU Coder应用程序。
将生成的代码迁移到另一个开发环境
将生成的文件打包到一个压缩文件中，您可以使用标准zip实用程序重新定位和解压缩该文件。

动态仿真模块

针对NVIDIA嵌入式板
构建并部署到NVIDIA GPU板。
数值等价测试
比较模型和生成的代码模拟的结果。
利用外部模式进行参数调优和信号监测
通过开发计算机和目标硬件之间的TCP/IP通信通道调优参数和监视信号。
从Simulink生成CUDA ROS节点(ROS工具箱)
配置Simulink®Coder™从Simulink模型生成和构建CUDA®ROS节点。
基于YOLO v2深度学习算法的ROS道路和车辆检测(ROS工具箱)
该示例展示了如何在ROS支持的Simulink®模型中使用深度卷积神经网络来执行车道和车辆检测。
在Simulink中使用带ROS的YOLOv2符号跟踪机器人检测算法(ROS工具箱)
这个例子展示了如何使用Simulink®来控制一个在独立的基于ros的模拟器上运行的模拟机器人。

特色的例子

从NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB编码支持包开始

使用针对NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包NVIDIA®嵌入式板。该示例使用一个简单的向量加法算法来说明:从MATLAB环境中连接到嵌入式板。

打开脚本

利用树莓派摄像模块V2在NVIDIA Jetson Nano上进行Sobel边缘检测

从连接到NVIDIA®Jetson Nano的树莓派相机模块V2捕获和处理图像。针对NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包允许您从相机模块V2捕获图像，并将它们带到MATLAB环境中进行处理。在本例中，您将学习如何使用该功能开发Sobel边缘检测算法。

打开脚本

基于NVIDIA DRIVE的语义分割

为使用深度学习的图像分割应用程序生成和部署CUDA®可执行文件。它使用针对NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包在NVIDIA DRIVE™平台上部署可执行文件。此示例在主机计算机上执行代码生成，并通过使用支持包的远程构建功能在目标平台上构建生成的代码。有关更多信息，请参见用于语义分割网络的代码生成。

打开脚本

在NVIDIA Jetson TX2开发工具包上使用顶帽滤波去除不均匀的背景照明

使用NVIDIA GPU的GPU Coder™支持包将图像处理工具箱™算法部署到NVIDIA®Jetson TX2板。的imtophat(图像处理工具箱)函数对灰度图像执行形态学顶帽滤波作为示例来演示这一概念。顶帽滤波计算图像的形态学开口(使用imopen(图像处理工具箱))，然后从原始图像中减去结果。生成的CUDA®代码使用共享内存来加快GPU上的操作。

打开脚本

NVIDIA Jetson TX2平台上网络摄像头图像的部署和分类

从DAGNetwork对象生成CUDA®代码，并使用NVIDIA GPU的GPU Coder™支持包将生成的代码部署到NVIDIA®Jetson®TX2板上。本例使用resnet50深度学习网络对USB网络摄像头视频流中的图像进行分类。

打开生活的脚本

从Simulink在NVIDIA Jetson TX2平台上部署和分类网络摄像头图像

在NVIDIA®Jetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。这个例子通过使用预先训练的深度卷积神经网络实时对网络摄像头中的图像进行分类，ResNet-50．本例中的Simulink模型使用了用于NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包中的摄像机和显示块，从网络摄像头捕获实时视频流，并在连接到Jetson平台的监视器上显示预测结果。

利用小波分析和深度学习在NVIDIA Jetson上部署信号分类器

生成并部署CUDA®可执行文件，使用连续小波变换(CWT)和预训练卷积神经网络(CNN)提取的特征对人体心电图(ECG)信号进行分类。

打开生活的脚本

基于NVIDIA Jetson Xavier™NX嵌入式平台的地平面分割和障碍物检测

Jetson Xavier上三维激光雷达数据的地平面分割，以发现车辆附近的障碍物。

打开生活的脚本