Package Contents

Classes
		__builtin__.object tensorNet detectNet imageNet segNet   class detectNet(tensorNet)     Object Detection DNN - locates objects in an image   Examples (jetson-inference/python/examples)      detectnet-console.py      detectnet-camera.py   __init__(...)      Loads an object detection model.        Parameters:        network (string) -- name of a built-in network to use                            see below for available options.          argv (strings) -- command line arguments passed to detectNet,                          see below for available options.          threshold (float) -- minimum detection threshold.                             default value is 0.5   detectNet arguments:    --network NETWORK     pre-trained model to load, one of the following:                             * ssd-mobilenet-v1                             * ssd-mobilenet-v2 (default)                             * ssd-inception-v2                             * pednet                             * multiped                             * facenet                             * coco-airplane                             * coco-bottle                             * coco-chair                             * coco-dog   --model MODEL         path to custom model to load (caffemodel, uff, or onnx)   --prototxt PROTOTXT   path to custom prototxt to load (for .caffemodel only)   --class_labels LABELS path to text file containing the labels for each class   --threshold THRESHOLD minimum threshold for detection (default is 0.5)   --input_blob INPUT    name of the input layer (default is 'data')   --output_cvg COVERAGE name of the coverge output layer (default is 'coverage')   --output_bbox BOXES   name of the bounding output layer (default is 'bboxes')   --mean_pixel PIXEL    mean pixel value to subtract from input (default is 0.0)   --batch_size BATCH    maximum batch size (default is 1)   --alpha ALPHA         overlay alpha blending value, range 0-255 (default: 120)   --profile             enable layer profiling in TensorRT     Method resolution order: detectNet tensorNet __builtin__.object Methods defined here: Detect(...) Detect objects in an RGBA image and return a list of detections.   Parameters:   image   (capsule) -- CUDA memory capsule   width   (int)  -- width of the image (in pixels)   height  (int)  -- height of the image (in pixels)   overlay (str)  -- combination of box,labels,none flags (default is 'box')   Returns:   [Detections] -- list containing the detected objects (see detectNet.Detection) GetClassDesc(...) Return the class description for the given object class.   Parameters:   (int) -- index of the class, between [0, GetNumClasses()]   Returns:   (string) -- the text description of the object class GetClassSynset(...) Return the synset data category string for the given class. The synset generally maps to the class training data folder.   Parameters:   (int) -- index of the class, between [0, GetNumClasses()]   Returns:   (string) -- the synset of the class, typically 9 characters long GetNumClasses(...) Return the number of object classes that this network model is able to detect.   Parameters:  (none)   Returns:   (int) -- number of object classes that the model supports GetThreshold(...) Return the minimum detection threshold.   Parameters:  (none)   Returns:   (float) -- the threshold for detection SetOverlayAlpha(...) Set the alpha blending value used during overlay visualization for all classes   Parameters:   alpha (float) -- desired alpha value, between 0.0 and 255.0 Returns:  (none) SetThreshold(...) Return the minimum detection threshold.   Parameters:   (float) -- detection threshold   Returns:  (none) __init__(...) x.__init__(...) initializes x; see help(type(x)) for signature Static methods defined here: Usage(...) Return the command line parameters accepted by __init__()   Parameters:  (none)   Returns:   (string) -- usage string documenting command-line options Data and other attributes defined here: Detection = <type 'jetson.inference.detectNet.Detection'> Object Detection Result   ---------------------------------------------------------------------- Data descriptors defined here:   Area     Area of bounding box   Bottom     Bottom bounding box coordinate   Center     Center (x,y) coordinate of bounding box   ClassID     Class index of the detected object   Confidence     Confidence value of the detected object   Height     Height of bounding box   Instance     Instance index of the detected object   Left     Left bounding box coordinate   Right     Right bounding box coordinate   Top     Top bounding box coordinate   Width      Width of bounding box Methods inherited from tensorNet: EnableDebug(...) Enable TensorRT debug messages and device synchronization EnableLayerProfiler(...) Enable the profiling of network layer execution times GetModelPath(...) Return the path to the network model file on disk GetModelType(...) Return the type of model format (caffe, ONNX, UFF, or custom) GetNetworkFPS(...) Return the runtime of the network (in frames per second) GetNetworkTime(...) Return the runtime of the network (in milliseconds) GetPrototxtPath(...) Return the path to the network prototxt file on disk PrintProfilerTimes(...) Print out performance timing info Data and other attributes inherited from tensorNet: __new__ = <built-in method __new__ of type object> T.__new__(S, ...) -> a new object with type S, a subtype of T   class imageNet(tensorNet)     Image Recognition DNN - classifies an image   Examples (jetson-inference/python/examples)      my-recognition.py      imagenet-console.py      imagenet-camera.py   __init__(...)      Loads an image recognition model.        Parameters:        network (string) -- name of a built-in network to use,                            see below for available options.          argv (strings) -- command line arguments passed to imageNet,                          see below for available options.   imageNet arguments:    --network NETWORK    pre-trained model to load, one of the following:                            * alexnet                            * googlenet (default)                            * googlenet-12                            * resnet-18                            * resnet-50                            * resnet-101                            * resnet-152                            * vgg-16                            * vgg-19                            * inception-v4   --model MODEL        path to custom model to load (caffemodel, uff, or onnx)   --prototxt PROTOTXT  path to custom prototxt to load (for .caffemodel only)   --labels LABELS      path to text file containing the labels for each class   --input_blob INPUT   name of the input layer (default is 'data')   --output_blob OUTPUT name of the output layer (default is 'prob')   --batch_size BATCH   maximum batch size (default is 1)   --profile            enable layer profiling in TensorRT     Method resolution order: imageNet tensorNet __builtin__.object Methods defined here: Classify(...) Classify an RGBA image and return the object's class and confidence.   Parameters:   image  (capsule) -- CUDA memory capsule   width  (int) -- width of the image (in pixels)   height (int) -- height of the image (in pixels)   Returns:   (int, float) -- tuple containing the object's class index and confidence GetClassDesc(...) Return the class description for the given object class.   Parameters:   (int) -- index of the class, between [0, GetNumClasses()]   Returns:   (string) -- the text description of the object class GetClassSynset(...) Return the synset data category string for the given class. The synset generally maps to the class training data folder.   Parameters:   (int) -- index of the class, between [0, GetNumClasses()]   Returns:   (string) -- the synset of the class, typically 9 characters long GetNetworkName(...) Return the name of the built-in network used by the model.   Parameters:  (none)   Returns:   (string) -- name of the network (e.g. 'googlenet', 'alexnet')               or 'custom' if using a custom-loaded model GetNumClasses(...) Return the number of object classes that this network model is able to classify.   Parameters:  (none)   Returns:   (int) -- number of object classes that the model supports __init__(...) x.__init__(...) initializes x; see help(type(x)) for signature Static methods defined here: Usage(...) Return the command line parameters accepted by __init__()   Parameters:  (none)   Returns:   (string) -- usage string documenting command-line options Methods inherited from tensorNet: EnableDebug(...) Enable TensorRT debug messages and device synchronization EnableLayerProfiler(...) Enable the profiling of network layer execution times GetModelPath(...) Return the path to the network model file on disk GetModelType(...) Return the type of model format (caffe, ONNX, UFF, or custom) GetNetworkFPS(...) Return the runtime of the network (in frames per second) GetNetworkTime(...) Return the runtime of the network (in milliseconds) GetPrototxtPath(...) Return the path to the network prototxt file on disk PrintProfilerTimes(...) Print out performance timing info Data and other attributes inherited from tensorNet: __new__ = <built-in method __new__ of type object> T.__new__(S, ...) -> a new object with type S, a subtype of T   class segNet(tensorNet)     Semantic Segmentation DNN - segments an image with per-pixel classification   Examples (jetson-inference/python/examples)      segnet-console.py      segnet-camera.py   __init__(...)      Loads an semantic segmentation model.        Parameters:        network (string) -- name of a built-in network to use,                            see below for available options.          argv (strings) -- command line arguments passed to segNet,                          see below for available options.   segNet arguments:    --network NETWORK    pre-trained model to load, one of the following:                            * fcn-resnet18-cityscapes-512x256                            * fcn-resnet18-cityscapes-1024x512                            * fcn-resnet18-cityscapes-2048x1024                            * fcn-resnet18-deepscene-576x320                            * fcn-resnet18-deepscene-864x480                            * fcn-resnet18-mhp-512x320                            * fcn-resnet18-mhp-640x360                            * fcn-resnet18-voc-320x320 (default)                            * fcn-resnet18-voc-512x320                            * fcn-resnet18-sun-512x400                            * fcn-resnet18-sun-640x512   --model MODEL        path to custom model to load (caffemodel, uff, or onnx)   --prototxt PROTOTXT  path to custom prototxt to load (for .caffemodel only)   --labels LABELS      path to text file containing the labels for each class   --colors COLORS      path to text file containing the colors for each class   --input_blob INPUT   name of the input layer (default: 'data')   --output_blob OUTPUT name of the output layer (default: 'score_fr_21classes')   --batch_size BATCH   maximum batch size (default is 1)   --alpha ALPHA        overlay alpha blending value, range 0-255 (default: 120)   --profile            enable layer profiling in TensorRT     Method resolution order: segNet tensorNet __builtin__.object Methods defined here: GetClassDesc(...) Return the class description for the given object class.   Parameters:   (int) -- index of the class, between [0, GetNumClasses()]   Returns:   (string) -- the text description of the object class GetNetworkName(...) Return the name of the built-in network used by the model.   Parameters:  (none)   Returns:   (string) -- name of the network (e.g. 'FCN_ResNet18', 'FCN_Alexnet')               or 'custom' if using a custom-loaded model GetNumClasses(...) Return the number of object classes that this network model is able to classify.   Parameters:  (none)   Returns:   (int) -- number of object classes that the model supports Mask(...) Produce a colorized RGBA segmentation mask of the output.   Parameters:   image  (capsule) -- output CUDA memory capsule   width  (int) -- width of the image (in pixels)   height (int) -- height of the image (in pixels)   filter_mode (string) -- optional string indicating the filter mode, 'point' or 'linear' (default: 'linear') Returns:  (none) Overlay(...) Produce the segmentation overlay alpha blended on top of the original image.   Parameters:   image  (capsule) -- output CUDA memory capsule   width  (int) -- width of the image (in pixels)   height (int) -- height of the image (in pixels)   filter_mode (string) -- optional string indicating the filter mode, 'point' or 'linear' (default: 'linear') Returns:  (none) Process(...) Perform the initial inferencing processing of the segmentation. The results can then be visualized using the Overlay() and Mask() functions.   Parameters:   image  (capsule) -- CUDA memory capsule   width  (int) -- width of the image (in pixels)   height (int) -- height of the image (in pixels)   ignore_class (string) -- optional label name of class to ignore in the classification (default: 'void') Returns:  (none) SetOverlayAlpha(...) Set the alpha blending value used during overlay visualization for all classes   Parameters:   alpha (float) -- desired alpha value, between 0.0 and 255.0   explicit_exempt (optional, bool) -- if True, the global alpha doesn't apply to classes that have an alpha value explicitly set in the colors file (default: True) Returns:  (none) __init__(...) x.__init__(...) initializes x; see help(type(x)) for signature Static methods defined here: Usage(...) Return the command line parameters accepted by __init__()   Parameters:  (none)   Returns:   (string) -- usage string documenting command-line options Methods inherited from tensorNet: EnableDebug(...) Enable TensorRT debug messages and device synchronization EnableLayerProfiler(...) Enable the profiling of network layer execution times GetModelPath(...) Return the path to the network model file on disk GetModelType(...) Return the type of model format (caffe, ONNX, UFF, or custom) GetNetworkFPS(...) Return the runtime of the network (in frames per second) GetNetworkTime(...) Return the runtime of the network (in milliseconds) GetPrototxtPath(...) Return the path to the network prototxt file on disk PrintProfilerTimes(...) Print out performance timing info Data and other attributes inherited from tensorNet: __new__ = <built-in method __new__ of type object> T.__new__(S, ...) -> a new object with type S, a subtype of T   class tensorNet(__builtin__.object)     TensorRT DNN Base Object     Methods defined here: EnableDebug(...) Enable TensorRT debug messages and device synchronization EnableLayerProfiler(...) Enable the profiling of network layer execution times GetModelPath(...) Return the path to the network model file on disk GetModelType(...) Return the type of model format (caffe, ONNX, UFF, or custom) GetNetworkFPS(...) Return the runtime of the network (in frames per second) GetNetworkTime(...) Return the runtime of the network (in milliseconds) GetPrototxtPath(...) Return the path to the network prototxt file on disk PrintProfilerTimes(...) Print out performance timing info Data and other attributes defined here: __new__ = <built-in method __new__ of type object> T.__new__(S, ...) -> a new object with type S, a subtype of T

Data
		VERSION = '1.0.0'