NVIDIA Triton 系列文章（4）：创建模型仓
推理模型仓（inference model repository）是 triton 推理服务器的最基础元件，如同数据库（database）服务器必须先创建一个数据库是类似的道理。要使用 triton 推理服务器的第一件任务，就是先创建一个模型存储仓来作为服务器的组织中心，将所需的模型、配置文件和其他资源都位于这个存储仓中，才能让 triton 进行推理任务。
进入 https://github.com/triton-inference-server/server/tree/main/docs 这个最完整的说明文件区，在 “user guide” 里的前 5 个步骤，就是为 triton 服务器创建与管理模型仓的任务，依序如下：
创建模型储存仓（creating a model repository）
撰写模型配置文件（writing a model configuration）
创建模型的流水线（buillding a model pipeline）
管理模型可用性（managing model availablity）
收集服务器指标（collecting server metrics）
本文先带着读者创建模型存储仓，这是执行 triton 服务器之前必须执行的环节，另外四个部分会在后续文章中陆续探索。
这个储存仓的要求相对简单，只要是常用的文件系统就行，包括企业内部使用的 windows ntfs 或 linux ext3/4 文件服务器，也可以是 google 云、亚马逊云、微软 asure 之类的网上储存空间。
triton 模型仓是以“目录结构”为主体的方式搭建，将配套的文件放置对应的位置里就可以，下面是一个简单的范例：
目录结构与文件
├──
│ ├──
│ │ └── model.onnx
│ ├── config.pbtxt
│ └── densenet_labels.txt
└──
├──
│ └── model.graphdef
├──
│ └── model.graphdef
├── config.pbtxt
└── inception_labels.txt
用途说明
根目录：仓名称
目录：模型densenet_onnx
目录：模型densenet_onnx的版本1
文件：模型densenet_onnx版本1的模型文件
文件：模型densenet_onnx的配置文件
文件：模型densenet_onnx的标注文件
目录：模型inception_graphdef
目录：模型inception_graphdef版本1
文件：模型inception_graphdef版本1的模型文件
目录：模型inception_graphdef版本2
文件：模型inception_graphdef版本2的模型文件
文件：模型inception_graphdef的配置文件
文件：模型inception_graphdef的标注文件
这个模型仓主要分为以下两大部分：
1. 目录结构：需要创建以下三层目录，并根据各层定义进行命名
(1) 第一层“仓名称”：简单创建一个文件夹作为模型该模型仓的根路径，一台设备上可以有任意个模型仓，例如 model_repo1、model_repo2；
(2) 第二层“模型名称”：在模型仓下面根据模型名称创建目录，通常习惯使用“神经网络名称_后端种类”的组合格式，例如
densenet_onnx 表示为 onnx 后端的 densenet 网络模型；
inception_graphdef 表示为 tensorflow graphdef 后端的 inception 模型。
(3) 第三层“版本号”：用纯数字表示，因为相同的模型可能存在不同训练回合（epoch）、不同精度的多个版本。
2. 文件内容：将以下三种文件内容，分别放置在对应的目录下
(1) 配置文件：放在第二层的模型名称目录下，通常命名为 config.pbtxt，每个模型都有各自的配置文件，里面存放着该模型执行推理时所需要的信息与参数，是 triton 模型仓里最重要的部分，主要内容将在后面有专门文章提供详细说明。
(2) 标注文件（如果有）：放在第二层的模型名称目录下，例如 densenet_labels.txt
(3) 模型文件：放在第三层的版本目录下，就是最终执行推理功能的神经网络模型，其附加文件名根据训练时所用的框架而定，如下所列
tensorrt 模型：附加名为 .plan，例如 model.plan
onnx 模型：附加名为 .onnx，例如 model.onnx
torchscript 模型：附加名为 .pt，例如 model.pt
tensorflow 模型：根据存储时的方式有 .graphdef 与 .savedmodel 两种，例如 model.graphdef 或 model.savedmodel
openvino 模型：需要由 .xml 与 .bin 组成，例如 model.xml 与 model.bin
python 模型：附加名为 .py，例如 model.py
dali 模型：附加名为 .dali，例如 model.dali
即便是在云存储上，也只要根据上述要求创建目录结构，并将各类文件放置在对应目录下，然后启动 triton 推理服务器时使用“--model-repostory=”参数，指向模型仓根路径的位置就可以，例如以下状况：
# 在本机上
tritonserver --model-repository=/home/nvidia/triton/repo1
# 在google云
tritonserver --model-repository=gs://bucket/triton/repo-google
# 在亚马逊s3云
tritonserver --model-repository=s3://ip:端口/triton/repo-amazone
# 微软azure云
tritonserver --model-repository=as://用户名/容器名/repo-azure
triton 服务器启动时，会将模型仓下的模型载入计算设备的内存之中，并不需要与模型仓所在服务器进行实时数据交换，因此启动之初会消耗比较多时间，开始执行推理计算之后是不会受到网络速度影响推理性能。
为了协助读者跟容易理解模型仓的使用，我们以 nvidia jetson agx orin 设备作为实验平台，先下载 https://github.com/triton-inference-server/server 开源仓，里面的docs目录下有个 examples/model_repository 就是个模型仓范例，里面有 8 个简单的模型，可以做些简单的测试与体验。现在请执行以下指令：
cd $home && mkdir triton && cd triton
git clone https://github.com/triton-inference-server/server
cd server/docs/examples
tree model_repository
就会看到如下面左方的列表，共有 8 个模型文件夹：
目录结构与文件
model_repository/
├── densenet_onnx
│ ├── config.pbtxt
│ └── densenet_labels.txt
├── inception_graphdef
│ ├── config.pbtxt
│ └── inception_labels.txt
├── simple
│ ├── 1
│ │ └── model.graphdef
│ └── config.pbtxt
├── simple_dyna_sequence
│ ├── 1
│ │ └── model.graphdef
│ └── config.pbtxt
《中间省略》
└── simple_string
├── 1
│ └── model.graphdef
└── config.pbtxt
用途说明
根目录：仓名称为model_repository
目录：模型densenet_onnx
文件：模型densenet_onnx的配置文件
文件：模型densenet_onnx的标注文件
目录：模型inception_graphdef
文件：模型inception_graphdef的配置文件
文件：模型inception_graphdef的标注文件
目录：模型simple
目录：模型simple的版本1
文件：模型simple的模型文件
文件：模型simple的配置文件
目录：模型simple_dyna_sequence
目录：模型simple_dyna_sequence的版本1
文件：模型simple_dyna_sequence的模型文件
文件：模型simple_dyna_sequence的配置文件
《中间省略》
目录：模型simple_string
目录：模型simple_string的版本1
文件：模型simple_string的模型文件
文件：模型simple_string的配置文件
我们可以看到每个文件夹里面都有 1 个独立的 config.pbtxt 配置文件，而且内容都不尽相同，这是针对不同模型所设置的内容与参数。
在下载的模型仓里的 densenet_onnx 与 inception_graphdef 目录下，并没有提供对用的模型文件，因此需要执行以下指令将这两个模型文件下载，并存放在指定位置里：
$ ./fetch_models.sh
现在就能看到在 densenet_onnx 与 inception_graphdef 各生成版本 目录，并且各有一个 model.onnx 与 model.graphdef 模型文件。
接下去只要安装好 triton 服务器软件，就能开始使用这个模型仓来进行测试与体验，这是下一篇文章会带着大家进行安装的部分。
推荐阅读
nvidia jetson nano 2gb 系列文章（1）：开箱介绍
nvidia jetson nano 2gb 系列文章（2）：安装系统
nvidia jetson nano 2gb 系列文章（3）：网络设置及添加 swapfile 虚拟内存
nvidia jetson nano 2gb 系列文章（4）：体验并行计算性能
nvidia jetson nano 2gb 系列文章（5）：体验视觉功能库
nvidia jetson nano 2gb 系列文章（6）：安装与调用摄像头
nvidia jetson nano 2gb 系列文章（7）：通过 opencv 调用 csi/usb 摄像头
nvidia jetson nano 2gb 系列文章（8）：执行常见机器视觉应用
nvidia jetson nano 2gb 系列文章（9）：调节 csi 图像质量
nvidia jetson nano 2gb 系列文章（10）：颜色空间动态调节技巧
nvidia jetson nano 2gb 系列文章（11）：你应该了解的 opencv
nvidia jetson nano 2gb 系列文章（12）：人脸定位
nvidia jetson nano 2gb 系列文章（13）：身份识别
nvidia jetson nano 2gb 系列文章（14）：hello ai world
nvidia jetson nano 2gb 系列文章（15）：hello ai world 环境安装
nvidia jetson nano 2gb 系列文章（16）：10行代码威力
nvidia jetson nano 2gb 系列文章（17）：更换模型得到不同效果
nvidia jetson nano 2gb 系列文章（18）：utils 的 videosource 工具
nvidia jetson nano 2gb 系列文章（19）：utils 的 videooutput 工具
nvidia jetson nano 2gb 系列文章（20）：“hello ai world” 扩充参数解析功能
nvidia jetson nano 2gb 系列文章（21）：身份识别
nvidia jetson nano 2gb 系列文章（22）：“hello ai world” 图像分类代码
nvidia jetson nano 2gb 系列文章（23）：“hello ai world 的物件识别应用
nvidia jetson nano 2gb 系列文章（24）: “hello ai world” 的物件识别应用
nvidia jetson nano 2gb 系列文章（25）: “hello ai world” 图像分类的模型训练
nvidia jetson nano 2gb 系列文章（26）: “hello ai world” 物件检测的模型训练
nvidia jetson nano 2gb 系列文章（27）: deepstream 简介与启用
nvidia jetson nano 2gb 系列文章（28）: deepstream 初体验
nvidia jetson nano 2gb 系列文章（29）: deepstream 目标追踪功能
nvidia jetson nano 2gb 系列文章（30）: deepstream 摄像头“实时性能”
nvidia jetson nano 2gb 系列文章（31）: deepstream 多模型组合检测-1
nvidia jetson nano 2gb 系列文章（32）: 架构说明与deepstream-test范例
nvidia jetson nano 2gb 系列文章（33）: deepstream 车牌识别与私密信息遮盖
nvidia jetson nano 2gb 系列文章（34）: deepstream 安装python开发环境
nvidia jetson nano 2gb 系列文章（35）: python版test1实战说明
nvidia jetson nano 2gb 系列文章（36）: 加入usb输入与rtsp输出
nvidia jetson nano 2gb 系列文章（37）: 多网路模型合成功能
nvidia jetson nano 2gb 系列文章（38）: nvdsanalytics视频分析插件
nvidia jetson nano 2gb 系列文章（39）: 结合iot信息传输
nvidia jetson nano 2gb 系列文章（40）: jetbot系统介绍
nvidia jetson nano 2gb 系列文章（41）: 软件环境安装
nvidia jetson nano 2gb 系列文章（42）: 无线wifi的安装与调试
nvidia jetson nano 2gb 系列文章（43）: csi摄像头安装与测试
nvidia jetson nano 2gb 系列文章（44）: jetson的40针引脚
nvidia jetson nano 2gb 系列文章（45）: i2c总线与pioled
nvidia jetson nano 2gb 系列文章（46）: 机电控制设备的安装
nvidia jetson nano 2gb 系列文章（47）: 组装过程的注意细节
nvidia jetson nano 2gb 系列文章（48）: 用键盘与摇杆控制行动
nvidia jetson nano 2gb 系列文章（49）: 智能避撞之现场演示
nvidia jetson nano 2gb 系列文章（50）: 智能避障之模型训练
nvidia jetson nano 2gb 系列文章（51）: 图像分类法实现找路功能
nvidia jetson nano 2gb 系列文章（52）: 图像分类法实现找路功能
nvidia jetson nano 2gb 系列文章（53）: 简化模型训练流程的tao工具套件
nvidia jetson nano 2gb 系列文章（54）：ngc的内容简介与注册密钥
nvidia jetson nano 2gb 系列文章（55）：安装tao模型训练工具
nvidia jetson nano 2gb 系列文章（56）：启动器cli指令集与配置文件
nvidia jetson nano 2gb 系列文章（57）：视觉类脚本的环境配置与映射
nvidia jetson nano 2gb 系列文章（58）：视觉类的数据格式
nvidia jetson nano 2gb 系列文章（59）：视觉类的数据增强
nvidia jetson nano 2gb 系列文章（60）：图像分类的模型训练与修剪
nvidia jetson nano 2gb 系列文章（61）：物件检测的模型训练与优化
nvidia jetson nano 2gb 系列文章（62）：物件检测的模型训练与优化-2
nvidia jetson nano 2gb 系列文章（63）：物件检测的模型训练与优化-3
nvidia jetson nano 2gb 系列文章（64）：将模型部署到jetson设备
nvidia jetson nano 2gb 系列文章（65）：执行部署的 tensorrt 加速引擎
nvidia jetson 系列文章（1）：硬件开箱
nvidia jetson 系列文章（2）：配置操作系统
nvidia jetson 系列文章（3）：安装开发环境
nvidia jetson 系列文章（4）：安装deepstream
nvidia jetson 系列文章（5）：使用docker容器的入门技巧
nvidia jetson 系列文章（6）：使用容器版deepstream
nvidia jetson 系列文章（7）：配置ds容器python开发环境
nvidia jetson 系列文章（8）：用ds容器执行python范例
nvidia jetson 系列文章（9）：为容器接入usb摄像头
nvidia jetson 系列文章（10）：从头创建jetson的容器（1）
nvidia jetson 系列文章（11）：从头创建jetson的容器（2）
nvidia jetson 系列文章（12）：创建各种yolo-l4t容器
nvidia triton系列文章（1）：应用概论
nvidia triton系列文章（2）：功能与架构简介
nvidia triton系列文章（3）：开发资源说明
原文标题：nvidia triton 系列文章（4）：创建模型仓
文章出处：【微信公众号：nvidia英伟达企业解决方案】欢迎添加关注！文章转载请注明出处。
安防监控视频结构化那些事儿
三种耦合方式下放大电路交流负载线的特性
如何保证专用企业网络的稳定？
万达告别房地产！楼市变天！千亿万达告别房地产！马云重磅入局租房市场！地产大佬们该醒醒了！
食品中重金属快速检测设备的功能特点是什么
NVIDIA Triton 系列文章（4）：创建模型仓
钟产生芯片GM5351A 精准可靠的本土时钟产生芯片解决方案
2019“黑锋”创造了无人机竞速比赛的多项奇迹
实战用华硕AX86U解决家庭网络卡顿痛点
8K播放设备必须具备哪些条件
美国和日本禁华为将会对其国的企业造成打击性的损失
EMI电源滤波器共模插入损耗标准测量方法
蓄势赋能丨数明半导体顺利通过国家知识产权管理体系认证
迪斯尼研发触感夹克衣，可模拟压力和触感以同步各种视觉效果
小米6最新消息：小米6又立功了！小米今年第二季度手机出货量暴涨1000万台
智能型电化学气体传感器的详细介绍
Rd-01雷达模组固件烧录与可视化工具配置
多声道超声波流量计在排水管网监测中的应用
高通与苹果的专利诉讼大战已正式落下帷幕
5月全球新能源汽车销量对比：中国车企销量同比增长128％，预计未来会持续走高
进入 https://github.com/triton-inference-server/server/tree/main/docs 这个最完整的说明文件区，在 “user guide” 里的前 5 个步骤，就是为 triton 服务器创建与管理模型仓的任务，依序如下：
创建模型储存仓（creating a model repository）
撰写模型配置文件（writing a model configuration）
创建模型的流水线（buillding a model pipeline）
管理模型可用性（managing model availablity）
收集服务器指标（collecting server metrics）
本文先带着读者创建模型存储仓，这是执行 triton 服务器之前必须执行的环节，另外四个部分会在后续文章中陆续探索。
这个储存仓的要求相对简单，只要是常用的文件系统就行，包括企业内部使用的 windows ntfs 或 linux ext3/4 文件服务器，也可以是 google 云、亚马逊云、微软 asure 之类的网上储存空间。
triton 模型仓是以“目录结构”为主体的方式搭建，将配套的文件放置对应的位置里就可以，下面是一个简单的范例：
目录结构与文件
├──
│ ├──
│ │ └── model.onnx
│ ├── config.pbtxt
│ └── densenet_labels.txt
└──
├──
│ └── model.graphdef
├──
│ └── model.graphdef
├── config.pbtxt
└── inception_labels.txt
用途说明
根目录：仓名称
目录：模型densenet_onnx
目录：模型densenet_onnx的版本1
文件：模型densenet_onnx版本1的模型文件
文件：模型densenet_onnx的配置文件
文件：模型densenet_onnx的标注文件
目录：模型inception_graphdef
目录：模型inception_graphdef版本1
文件：模型inception_graphdef版本1的模型文件
目录：模型inception_graphdef版本2
文件：模型inception_graphdef版本2的模型文件
文件：模型inception_graphdef的配置文件
文件：模型inception_graphdef的标注文件
这个模型仓主要分为以下两大部分：
1. 目录结构：需要创建以下三层目录，并根据各层定义进行命名
(1) 第一层“仓名称”：简单创建一个文件夹作为模型该模型仓的根路径，一台设备上可以有任意个模型仓，例如 model_repo1、model_repo2；
(2) 第二层“模型名称”：在模型仓下面根据模型名称创建目录，通常习惯使用“神经网络名称_后端种类”的组合格式，例如
densenet_onnx 表示为 onnx 后端的 densenet 网络模型；
inception_graphdef 表示为 tensorflow graphdef 后端的 inception 模型。
(3) 第三层“版本号”：用纯数字表示，因为相同的模型可能存在不同训练回合（epoch）、不同精度的多个版本。
2. 文件内容：将以下三种文件内容，分别放置在对应的目录下
(1) 配置文件：放在第二层的模型名称目录下，通常命名为 config.pbtxt，每个模型都有各自的配置文件，里面存放着该模型执行推理时所需要的信息与参数，是 triton 模型仓里最重要的部分，主要内容将在后面有专门文章提供详细说明。
(2) 标注文件（如果有）：放在第二层的模型名称目录下，例如 densenet_labels.txt
(3) 模型文件：放在第三层的版本目录下，就是最终执行推理功能的神经网络模型，其附加文件名根据训练时所用的框架而定，如下所列
tensorrt 模型：附加名为 .plan，例如 model.plan
onnx 模型：附加名为 .onnx，例如 model.onnx
torchscript 模型：附加名为 .pt，例如 model.pt
tensorflow 模型：根据存储时的方式有 .graphdef 与 .savedmodel 两种，例如 model.graphdef 或 model.savedmodel
openvino 模型：需要由 .xml 与 .bin 组成，例如 model.xml 与 model.bin
python 模型：附加名为 .py，例如 model.py
dali 模型：附加名为 .dali，例如 model.dali
即便是在云存储上，也只要根据上述要求创建目录结构，并将各类文件放置在对应目录下，然后启动 triton 推理服务器时使用“--model-repostory=”参数，指向模型仓根路径的位置就可以，例如以下状况：
# 在本机上
tritonserver --model-repository=/home/nvidia/triton/repo1
# 在google云
tritonserver --model-repository=gs://bucket/triton/repo-google
# 在亚马逊s3云
tritonserver --model-repository=s3://ip:端口/triton/repo-amazone
# 微软azure云
tritonserver --model-repository=as://用户名/容器名/repo-azure
triton 服务器启动时，会将模型仓下的模型载入计算设备的内存之中，并不需要与模型仓所在服务器进行实时数据交换，因此启动之初会消耗比较多时间，开始执行推理计算之后是不会受到网络速度影响推理性能。
为了协助读者跟容易理解模型仓的使用，我们以 nvidia jetson agx orin 设备作为实验平台，先下载 https://github.com/triton-inference-server/server 开源仓，里面的docs目录下有个 examples/model_repository 就是个模型仓范例，里面有 8 个简单的模型，可以做些简单的测试与体验。现在请执行以下指令：
cd $home && mkdir triton && cd triton
git clone https://github.com/triton-inference-server/server
cd server/docs/examples
tree model_repository
就会看到如下面左方的列表，共有 8 个模型文件夹：
目录结构与文件
model_repository/
├── densenet_onnx
│ ├── config.pbtxt
│ └── densenet_labels.txt
├── inception_graphdef
│ ├── config.pbtxt
│ └── inception_labels.txt
├── simple
│ ├── 1
│ │ └── model.graphdef
│ └── config.pbtxt
├── simple_dyna_sequence
│ ├── 1
│ │ └── model.graphdef
│ └── config.pbtxt
《中间省略》
└── simple_string
├── 1
│ └── model.graphdef
└── config.pbtxt
用途说明
根目录：仓名称为model_repository
目录：模型densenet_onnx
文件：模型densenet_onnx的配置文件
文件：模型densenet_onnx的标注文件
目录：模型inception_graphdef
文件：模型inception_graphdef的配置文件
文件：模型inception_graphdef的标注文件
目录：模型simple
目录：模型simple的版本1
文件：模型simple的模型文件
文件：模型simple的配置文件
目录：模型simple_dyna_sequence
目录：模型simple_dyna_sequence的版本1
文件：模型simple_dyna_sequence的模型文件
文件：模型simple_dyna_sequence的配置文件
《中间省略》
目录：模型simple_string
目录：模型simple_string的版本1
文件：模型simple_string的模型文件
文件：模型simple_string的配置文件
我们可以看到每个文件夹里面都有 1 个独立的 config.pbtxt 配置文件，而且内容都不尽相同，这是针对不同模型所设置的内容与参数。
在下载的模型仓里的 densenet_onnx 与 inception_graphdef 目录下，并没有提供对用的模型文件，因此需要执行以下指令将这两个模型文件下载，并存放在指定位置里：
$ ./fetch_models.sh
现在就能看到在 densenet_onnx 与 inception_graphdef 各生成版本 目录，并且各有一个 model.onnx 与 model.graphdef 模型文件。
接下去只要安装好 triton 服务器软件，就能开始使用这个模型仓来进行测试与体验，这是下一篇文章会带着大家进行安装的部分。
推荐阅读
nvidia jetson nano 2gb 系列文章（1）：开箱介绍
nvidia jetson nano 2gb 系列文章（2）：安装系统
nvidia jetson nano 2gb 系列文章（3）：网络设置及添加 swapfile 虚拟内存
nvidia jetson nano 2gb 系列文章（4）：体验并行计算性能
nvidia jetson nano 2gb 系列文章（5）：体验视觉功能库
nvidia jetson nano 2gb 系列文章（6）：安装与调用摄像头
nvidia jetson nano 2gb 系列文章（7）：通过 opencv 调用 csi/usb 摄像头
nvidia jetson nano 2gb 系列文章（8）：执行常见机器视觉应用
nvidia jetson nano 2gb 系列文章（9）：调节 csi 图像质量
nvidia jetson nano 2gb 系列文章（10）：颜色空间动态调节技巧
nvidia jetson nano 2gb 系列文章（11）：你应该了解的 opencv
nvidia jetson nano 2gb 系列文章（12）：人脸定位
nvidia jetson nano 2gb 系列文章（13）：身份识别
nvidia jetson nano 2gb 系列文章（14）：hello ai world
nvidia jetson nano 2gb 系列文章（15）：hello ai world 环境安装
nvidia jetson nano 2gb 系列文章（16）：10行代码威力
nvidia jetson nano 2gb 系列文章（17）：更换模型得到不同效果
nvidia jetson nano 2gb 系列文章（18）：utils 的 videosource 工具
nvidia jetson nano 2gb 系列文章（19）：utils 的 videooutput 工具
nvidia jetson nano 2gb 系列文章（20）：“hello ai world” 扩充参数解析功能
nvidia jetson nano 2gb 系列文章（21）：身份识别
nvidia jetson nano 2gb 系列文章（22）：“hello ai world” 图像分类代码
nvidia jetson nano 2gb 系列文章（23）：“hello ai world 的物件识别应用
nvidia jetson nano 2gb 系列文章（24）: “hello ai world” 的物件识别应用
nvidia jetson nano 2gb 系列文章（25）: “hello ai world” 图像分类的模型训练
nvidia jetson nano 2gb 系列文章（26）: “hello ai world” 物件检测的模型训练
nvidia jetson nano 2gb 系列文章（27）: deepstream 简介与启用
nvidia jetson nano 2gb 系列文章（28）: deepstream 初体验
nvidia jetson nano 2gb 系列文章（29）: deepstream 目标追踪功能
nvidia jetson nano 2gb 系列文章（30）: deepstream 摄像头“实时性能”
nvidia jetson nano 2gb 系列文章（31）: deepstream 多模型组合检测-1
nvidia jetson nano 2gb 系列文章（32）: 架构说明与deepstream-test范例
nvidia jetson nano 2gb 系列文章（33）: deepstream 车牌识别与私密信息遮盖
nvidia jetson nano 2gb 系列文章（34）: deepstream 安装python开发环境
nvidia jetson nano 2gb 系列文章（35）: python版test1实战说明
nvidia jetson nano 2gb 系列文章（36）: 加入usb输入与rtsp输出
nvidia jetson nano 2gb 系列文章（37）: 多网路模型合成功能
nvidia jetson nano 2gb 系列文章（38）: nvdsanalytics视频分析插件
nvidia jetson nano 2gb 系列文章（39）: 结合iot信息传输
nvidia jetson nano 2gb 系列文章（40）: jetbot系统介绍
nvidia jetson nano 2gb 系列文章（41）: 软件环境安装
nvidia jetson nano 2gb 系列文章（42）: 无线wifi的安装与调试
nvidia jetson nano 2gb 系列文章（43）: csi摄像头安装与测试
nvidia jetson nano 2gb 系列文章（44）: jetson的40针引脚
nvidia jetson nano 2gb 系列文章（45）: i2c总线与pioled
nvidia jetson nano 2gb 系列文章（46）: 机电控制设备的安装
nvidia jetson nano 2gb 系列文章（47）: 组装过程的注意细节
nvidia jetson nano 2gb 系列文章（48）: 用键盘与摇杆控制行动
nvidia jetson nano 2gb 系列文章（49）: 智能避撞之现场演示
nvidia jetson nano 2gb 系列文章（50）: 智能避障之模型训练
nvidia jetson nano 2gb 系列文章（51）: 图像分类法实现找路功能
nvidia jetson nano 2gb 系列文章（52）: 图像分类法实现找路功能
nvidia jetson nano 2gb 系列文章（53）: 简化模型训练流程的tao工具套件
nvidia jetson nano 2gb 系列文章（54）：ngc的内容简介与注册密钥
nvidia jetson nano 2gb 系列文章（55）：安装tao模型训练工具
nvidia jetson nano 2gb 系列文章（56）：启动器cli指令集与配置文件
nvidia jetson nano 2gb 系列文章（57）：视觉类脚本的环境配置与映射
nvidia jetson nano 2gb 系列文章（58）：视觉类的数据格式
nvidia jetson nano 2gb 系列文章（59）：视觉类的数据增强
nvidia jetson nano 2gb 系列文章（60）：图像分类的模型训练与修剪
nvidia jetson nano 2gb 系列文章（61）：物件检测的模型训练与优化
nvidia jetson nano 2gb 系列文章（62）：物件检测的模型训练与优化-2
nvidia jetson nano 2gb 系列文章（63）：物件检测的模型训练与优化-3
nvidia jetson nano 2gb 系列文章（64）：将模型部署到jetson设备
nvidia jetson nano 2gb 系列文章（65）：执行部署的 tensorrt 加速引擎
nvidia jetson 系列文章（1）：硬件开箱
nvidia jetson 系列文章（2）：配置操作系统
nvidia jetson 系列文章（3）：安装开发环境
nvidia jetson 系列文章（4）：安装deepstream
nvidia jetson 系列文章（5）：使用docker容器的入门技巧
nvidia jetson 系列文章（6）：使用容器版deepstream
nvidia jetson 系列文章（7）：配置ds容器python开发环境
nvidia jetson 系列文章（8）：用ds容器执行python范例
nvidia jetson 系列文章（9）：为容器接入usb摄像头
nvidia jetson 系列文章（10）：从头创建jetson的容器（1）
nvidia jetson 系列文章（11）：从头创建jetson的容器（2）
nvidia jetson 系列文章（12）：创建各种yolo-l4t容器
nvidia triton系列文章（1）：应用概论
nvidia triton系列文章（2）：功能与架构简介
nvidia triton系列文章（3）：开发资源说明
原文标题：nvidia triton 系列文章（4）：创建模型仓
文章出处：【微信公众号：nvidia英伟达企业解决方案】欢迎添加关注！文章转载请注明出处。
安防监控视频结构化那些事儿
三种耦合方式下放大电路交流负载线的特性
如何保证专用企业网络的稳定？
万达告别房地产！楼市变天！千亿万达告别房地产！马云重磅入局租房市场！地产大佬们该醒醒了！
食品中重金属快速检测设备的功能特点是什么
NVIDIA Triton 系列文章（4）：创建模型仓
钟产生芯片GM5351A 精准可靠的本土时钟产生芯片解决方案
2019“黑锋”创造了无人机竞速比赛的多项奇迹
实战用华硕AX86U解决家庭网络卡顿痛点
8K播放设备必须具备哪些条件
美国和日本禁华为将会对其国的企业造成打击性的损失
EMI电源滤波器共模插入损耗标准测量方法
蓄势赋能丨数明半导体顺利通过国家知识产权管理体系认证
迪斯尼研发触感夹克衣，可模拟压力和触感以同步各种视觉效果
小米6最新消息：小米6又立功了！小米今年第二季度手机出货量暴涨1000万台
智能型电化学气体传感器的详细介绍
Rd-01雷达模组固件烧录与可视化工具配置
多声道超声波流量计在排水管网监测中的应用
高通与苹果的专利诉讼大战已正式落下帷幕
5月全球新能源汽车销量对比：中国车企销量同比增长128％，预计未来会持续走高