本节将详细介绍如何在Jetson Nano平台上搭建基于YoloV4-tiny模型的对象检测系统。
说在最前面，本篇文档的许多内容来自多篇技术文档，我只是结合自己的学习经历，进行了加工和组合
1.1 Why Yolo V4-tiny？
在介绍具体内容之前，首先说明为何选用YoloV4-tiny这个模型。其实原因也很简单，就两个。一是该模型是Jetson Nano自带的，不用单独安装了，使用方便。二是功能足够强，而且检测速度是真的快。
了解Yolo发展史的读者都应该了解，不同于前三个版本，Yolo V4和V5这两个版本发布的时间非常接近，相差不到3个月，且都不是Yolo原作者的工作（原作者只完成了V1~V3）。这两个版本虽然提出者不一样，但性能十分接近，所以有很多人认为这两个版本从理论上并没有实质性的创新，不过由于其超高的识别速度，因此在工程应用中使用极为广泛。两者相比，V4的性能优于V5，但识别速度略低于V5，而v4-tiny的出现弥补了v4处理速度相对较慢的不足（推理速度快了近10倍）。综上，Jetson Nano集成了yolo v4和yolo v4-tiny。那为何不选系统推荐的呢？
另外，受限于优先的计算资源，Jetson Nano很适合跑Yolo，不需要安装其他的深度学习框架，另外，不建议在Jetson Nano平台上跑训练（也跑不动），建议在服务器上预先训练好网络，然后直接部署到Nano上。
所以我选择重新训练网络，首先是数据集，保留人和车类别，修改网络结构。
基于jetson nano和yolov5 的 车行人检测（一）_yolos-CSDN博客
jetson nano +yolov4-tiny使用tensorRT优化模型做到实时检测_yolov4-tiny tensorrt-CSDN博客
yolov4-tiny使用jetson nano进行目标检测+tensorrt+CSI+USB摄像头检测_yolov4-tiny jetson-CSDN博客
Jetson nano从烧录系统到DeepStream+TensorRT+yolov5检测CSI摄像头视频 - 哔哩哔哩 (bilibili.com)
Jetson nano从烧录系统到DeepStream+TensorRT+yolov5检测CSI摄像头视频 - 哔哩哔哩 (bilibili.com)