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。

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。

为深度学习应用程序万博1manbetx部署一个使用CAN通信的Simulink®模型。本例中的万博1manbetxSimulink模型使用MATLAB®Coder™支持包中的CAN传输和CAN接收模块，用于NVIDIA®Jetson®和NVIDIA DRIVE®平台，在Jetson TX2平台万博1manbetx上建模CAN总线系统。该模型使用CAN总线将视频帧中识别的交通标志对象从一个CAN节点传输到另一个CAN节点。

使用ROS通信接口将NVIDIA Jetson Xavier NX板上的网络摄像头捕获的图像传输到主机。

使用MATLAB®Coder™支持包N万博1manbetxVIDIA®Jetson®和NVIDIA DRIVE®在Jetson板上通过网络发送和接收UDP数据。

使用MATLAB®Coder™支持包N万博1manbetxVIDIA®Jetson®和NVIDIA DRIVE®在Jetson板上通过串行从Pixhawk板上发送和接收MAVLink包。

演示使用PX4软件在环(SITL)启用和接口机载计算机路径规划。

使用Simulink®中的视频发送块将模拟摄像机、深度和语义分割标签数据从虚幻引擎®场景流到NVIDIA®Jetson硬件。万博1manbetx然后，通过为每个传入数据流部署单独的模型，展示了如何在连接到Jetson平台的监视器上可视化传入数据流。部署的模型包含来自NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包的网络视频接收和SDL视频显示块。万博1manbetx

使用MATLAB®Coder™支持包NVIDI万博1manbetxA®Jetson®和NVIDIA DRIVE®平台实现MODBUS客户端(主)和服务器(从)设备之间的MODBUS TCP/IP通信。它还展示了如何以四种操作模式(客户端读、客户端写、服务器读和服务器写)在两个设备之间进行通信。

从Simulink®模型开发一个CUDA®应用程序，使用卷积神经网络(万博1manbetxCNN)执行车辆检测。本例将IP摄像机流作为输入，并检测帧中的车辆。本例使用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)。