在他的一个邻居家中遭到入室盗窃后，蓝狮实验室的同事杰森·德格林特（ Jason Deglint ）和胡安·帕克（ Juan Park ）着手创建自己的入侵者检测系统。在本月的 Jetson 项目中，他们基于机器学习的安全平台自动监控和检测场景中的人，并立即向用户发送摄像机拍摄的图像和视频。
该项目在 NVIDIA Jetson Nano 套件上运行，使用 NVIDIA DeepStream SDK分析流式视频。
MaViS 系统由三部分组成：边缘设备（本例中为 NVIDIA Jetson 纳米开发工具包）、云和用于警报的移动组件。
Jetson Nano 实时分析连接的网络摄像头采集的视频。 NVIDIA DeepStream SDK 充当流分析工具包。研究小组选择了一个经过预训练的 ResNet10 模型来识别一些类别，如车辆、两轮车、人或路标。对于这个项目，团队主要关注 person 类来检测可能的入侵者。
检测事件由 Jetson Nano 发送到云中的 S3 存储桶，然后触发一系列 lambda 函数。这些功能处理数据并将其返回到 S3 存储桶，同时相应的视频数据存储在 Amazon RDS 数据库中。 AWS SES 向用户发送带有数据访问点（包括捕获的图像）的电子邮件通知。在 Jetson Nano 上运行的应用程序代码在 Python 中实现。
该团队在项目的第一次和第二次迭代中对 Raspberry Pi 和 Jetson Nano 进行了试验，并决定在项目的最终迭代中继续使用 Jetson Nano 和 DeepStream SDK 。这是因为需要在边缘执行尽可能多的计算。
YouTube 上还提供了该项目的概览演示。
向前看， MaViS 团队已经确定了该项目未来需要改进的几个方面，例如提高模型准确性和支持本地托管以实现更好的数据隐私。
查看代码了解更多关于 Jetson Nano 如何在 MaViS 中使用的信息。
