如果你认为这两个功能只是简单地负责数据接收与显示的话，这就大大浪费了项目作者的心血结晶，因此我们在进入本项目另外两个深度学习推理应用之前，先要把这两个幕后功臣的内涵展现出来，因为这与后面的应用息息相关。本文先就 videoSource() 这个功能进行说明。

有经验的开发人员都清楚，输入源的种类十分多样，并且格式非常繁琐，其中还包括图像的颜色空间（color space）变化，要全部集成在一个函数中去调用，已经是非常高难度的事情了，如果这个函数还能为我们集成 Jetson 的编解码芯片的调用，以及将许多非常图像处理的计算交由 CUDA 核去计算，这就是一个值得我们为之欢呼的功能了。

videoSource() 功能是项目作者一个集大成的作品，具备以下特点：

1.支持 7 种输入源方式 
A. CSI 摄像头：”csi://0”
B. USB 摄像头：”/dev/video<N>”，其中 <N> 置换成指定的 USB 摄像头编号
C. RTP 视频流：“rtp://<remote_ip>:1234”
D. RTSP 视频流：“rtsp://username:password@<remote-host>:1234”
E. 视频文件：“完整文件名”，例如 “input.mp4”
F. 图像文件：“完整文件名”，例如 “room_0.jpg”
G. 文件夹：如果识别 “完整文件名” 是个文件夹时， 就会把目录下文件整批作为输入

2.支持 7 种视频格式 ：H.264、 H.265、VP8、 VP9、 MPEG-2、MPEG-4 以及 MJPEG
3.支持 9 种图像格式 ：JPG、 PNG、TGA、BMP、GIF、PSD、 HDR、 PIC 以及 PNMs
4.自动根据数据源，调用合适的 NVDEC 解码功能 
5.将数据计算紧密结合 CUDA 计算核 

这样一列出来，是否已经感受到了这一功能的强大呢？由于集成这么多特点，可以使代码的调用变得异常简单，而且完全发挥 Jetson Nano 2GB 的硬件计算资源，兼具 “易用” 与 “高效” 两个极端的特色。接下来我们就用几个简单的代码，带着大家体验一下这个工具的用法。
现在请大家先回忆一下用 openCV 建立 CSI 摄像头对象的代码，如下：

这种调用是非常艰涩而且容易出错的，对大部分初学者来说的确比较痛苦，导致很多人一开始都不愿意使用性能较好、功耗较低的 CSI 摄像头。但是在 videoSource() 这里，只需要简单填入 “csi://0” 就能创建。

在前面 “10lines.py” 代码中，已经提供了 CSI 摄像头、USB 摄像头，以及视频文件的调用方式，事实上类似的方法也适用于 RTP/RTSP 视频流以及图像文件作为输入源。

然而这里面增加一个对 “文件夹” 的支持，更是一个非常实用的功能，不过在 “图像分类”、“物件识别” 与 “语义分割” 的应用中，都有很大部分的使用场景是针对“众多独立图像”的推理，如果每次都只能一张一张的读入然后识别，就会显得十分没效率。

下面将 “10lines.py” 做简单的修改，以 etson-inferencet 提供的图像文件为例，让大家体验一下这个功能的好处：

上面代码中，将输入源与输出标的设为两个不同的目录，执行之前先将这个代码复制到 ~/jetson-inference/data/images/ 去，并且为 source 目录添加一些图片。完整的执行指令如下：

这样就会开始从 source 目录读入图像文件，执行物件识别推理后，将结果输出到 detection 目录中（如下图）。

这里之所以不选择输出到显示器，是因为显示的过程太快，没法在显示器上暂留，所以输出到另一个目录存成图片，会是比较合适的方法。
执行完成后，进入 detection 目录中，可以浏览到如下图的输出结果。

最后还有一个重点，就是调用 NVDEC 硬解码器的时机，前面提到 videoSourec() 会自动根据输入源的类型，去调用合适的解码器，不过这部分细节在作者的使用文档中并没有讲解，只能靠不断地尝试。

要检查解码器的启动与否，我们可以使用一开始教大家的 jetson-stats 检测工具，打开之后关注左下角 “NVDEC” 的变化，大部分时候都是处于 [OFF]，但当我们的输入源是视频文件、RTP/RTSP 这三种类型时，“NVDEC” 后面会出现主频的变化（如下图），表示这时候已经被启动。

本文有条理地将 videoSource() 的重要特色进行了说明，就是为了后面执行其他推理识别应用时会使用到，也希望能让读者学会更多的用法。