在NVIDIA®J万博1manbetxetson 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好的深度卷积神经网络对网络摄像头中的图像进行实时分类，ResNet-50．本例中的万博1manbetxSimulink模型使用MATLAB®Coder™NVIDIA Jetson和NVIDIA DRIVE平台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万博1manbetx，并在连接到Jetson平台的监视器上显示预测结果。

生成Simulink®模型的CUDA®代码，可以检测万博1manbetx和输出图像上的车道标记边界。此示例将RGB图像作为输入，并使用imresize(图像处理工具箱)，rgb2gray，ordfilt2(图像处理工具箱)，脚腕(图像处理工具箱)，houghpeaks(图像处理工具箱)和houghlines(图像处理工具箱)是图像处理工具箱™的一部分，用于检测车道标记的功能。本例紧跟GPU上使用houghlines函数(GPU Coder)的车道检测。

一种典型的雾校正算法的实现。示例使用conv2，im2gray,imhist(图像处理工具箱)功能。这个例子非常接近雾校正(GPU Coder)的例子。本例中涉及的概念如下:GPU环境校验。

演示如何使用强大的信号处理技术和卷积神经网络一起对ECG信号进行分类。我们还将展示如何从Simulink®模型生成CUDA®代码。万博1manbetx这个例子使用了预先训练好的CNN网络基于小波分析和深度学习的时间序列分类基于时间序列数据的CWT图像对心电信号进行分类的小波工具箱的例子。有关训练的信息，请参见使用小波分析和深度学习分类时间序列(小波工具箱)。

从Simulink®模型开发一个CUDA®应用程序，使用卷积神经网络(万博1manbetxCNN)执行车道和车辆检测。本例以一段交通视频的帧作为输入，输出对应于自我车辆左右车道的两个车道边界，并检测帧内的车辆。本例使用预训练的车道检测网络车道检测与GPU编码器优化GPU编码器工具箱™的例子。有关更多信息，请参见使用GPU Coder优化的车道检测(GPU Coder)。本例还使用了预训练的车辆检测网络使用YOLO v2深度学习的目标检测计算机视觉工具箱™的例子。有关更多信息，请参阅使用YOLO v2深度学习的对象检测(计算机视觉工具箱)。

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

在NVIDIA®J万博1manbetxetson板上部署Simulink®模型，用于音频数据中的关键字发现。这个例子标识关键字(是的)在输入音频数据中使用梅尔频率倒谱系数(MFCC)和预先训练的双向长短期记忆(BiLSTM)网络。