import jetson.inference
import jetson.utils
import argparse
# for LED output
import RPi.GPIO as GPIO
pin_cat = 13
pin_tabby = 6
# parse the command line
parser = argparse.ArgumentParser(description="Classify a live camera stream using an image recognition DNN.", 
						   formatter_class=argparse.RawTextHelpFormatter, epilog=jetson.inference.imageNet.Usage())
parser.add_argument("--network", type=str, default="googlenet", help="pre-trained model to load, see below for options")
parser.add_argument("--camera", type=str, default="0", help="index of the MIPI CSI camera to use (NULL for CSI camera 0),\nor for VL42 cameras the /dev/video node to use (/dev/video0).\nby default, MIPI CSI camera 0 will be used.")
parser.add_argument("--width", type=int, default=1280, help="desired width of camera stream (default is 1280 pixels)")
parser.add_argument("--height", type=int, default=720, help="desired height of camera stream (default is 720 pixels)")
opt, argv = parser.parse_known_args()
# setup GPIO
GPIO.setmode(GPIO.BCM)
GPIO.setup(pin_cat,   GPIO.OUT, initial=GPIO.HIGH)
GPIO.setup(pin_tabby, GPIO.OUT, initial=GPIO.HIGH)
# load the recognition network
net = jetson.inference.imageNet(opt.network, argv)
# create the camera and display
font = jetson.utils.cudaFont()
camera = jetson.utils.gstCamera(opt.width, opt.height, opt.camera)
display = jetson.utils.glDisplay()
# process frames until user exits
while display.IsOpen():
	# capture the image
	img, width, height = camera.CaptureRGBA()
	# classify the image
	class_idx, confidence = net.Classify(img, width, height)
	# find the object description
	class_desc = net.GetClassDesc(class_idx)
        # Check cat exist or not
        if "cat" in class_desc:
                GPIO.output(pin_cat, GPIO.HIGH)
                if "tabby" in class_desc:
                        GPIO.output(pin_tabby, GPIO.HIGH)
                else:
                        GPIO.output(pin_tabby, GPIO.LOW)
        else:
                GPIO.output(pin_cat, GPIO.LOW)
                GPIO.output(pin_tabby, GPIO.LOW)
        
	# overlay the result on the image	
	font.OverlayText(img, width, height, "{:05.2f}% {:s}".format(confidence * 100, class_desc), 5, 5, font.White, font.Gray40)
	
	# render the image
	display.RenderOnce(img, width, height)
	# update the title bar
	display.SetTitle("{:s} | Network {:.0f} FPS".format(net.GetNetworkName(), 1000.0 / net.GetNetworkTime()))
	# print out performance info
	net.PrintProfilerTimes()

リスト2　imagenet-cameraをベースにした猫判別機能とLチカの連携プログラム

　リスト2において、元のソース（imagenet-camera.py）から変更（というか追加）した部分は、4～7行目、16～19行目、34～43行目になる。

　まずは、4～7行目にあるimport RPi.GPIO as GPIOが、Jetson.gpioパッケージを使うための宣言である（リスト3）。次のpin_catとpin_tabbyの値がちょっと分かりにくいと思う。先にシェルから直接たたいたケースでは、cat（33番ピン）はgpio38、tabby（31番ピン）はgpio200という番号になっていたが、RPi.GPIOの中ではこれとは全く異なる番号が割り当てられている。この番号はこちらを見ると分かるが、Jetson Nanoはそれぞれ13番と6番を指定する必要がある。

リスト3　リスト2の4～7行目

　さて、起動したらまずGPIOのセットアップが必要である。それが16～19行目のGPIO.setmode()とGPIO.setup()の部分である（リスト4）。ちなみに初期値がGPIO.HIGHなのは、GPIOパッケージではHIGHだと電流が流れない（LOWで流れる）という仕様のためである。

リスト4　リスト2の16～19行目

　メインとなるのは34～43行目の部分である（リスト5）。先にも書いたが、class_descという変数には、最終的に確定した対象の種別が文字列で入っている。このため、まずは“cat”という文字列が入っているかどうかをin演算子でチェック。もし入っていたら、次にtabbyも入っているか、同じ様にチェックする。両方入っていれば両方のLEDを点灯、catだけなら緑色は消灯、catが入っていなければ両方とも消灯という、シンプルなものである。