NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

来源:业界供稿    2021-08-02 15:26:57

关键字: Jetson Nano

前面介绍过使用deepstream-app工具,启用多个视频进行车辆与行人的识别,并且启动“追踪”功能进行物件追踪的高级功能,接下来就教大家如何在deepstream-app里调用USB与CSI摄像头,并且与先前的视频同时启用来进行物件识别的应用。

前面介绍过使用deepstream-app工具,启用多个视频进行车辆与行人的识别,并且启动“追踪”功能进行物件追踪的高级功能,接下来就教大家如何在deepstream-app里调用USBCSI摄像头,并且与先前的视频同时启用来进行物件识别的应用。

这里使用Jetson Nano 2GB作为实验平台,上面安装一个CSI摄像头与一个USB摄像头。

在调用摄像头之前,建议先确认一下摄像头的位置与分辨率等信息,因为DeepStream会检查设定文件里的分辨率是否符合要求。使用v4l2-utils工具包来检查摄像头的信息,请按照以下步骤进行安装,并且检测摄像头分辨率:

sudo apt-get install v4l2-utils

v4l2-ctl --list-devices

下面显示的信息,表示目前接上一个imx-219CSI摄像头,以及一个USB 2.0摄像头。

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

接下执行以下指令,查看个别摄像头可使用的分辨率为多少:

v4l2-ctl --list-formats-ext --device=0

v4l2-ctl --list-formats-ext --device=1

下面显示的信息,表示CSI摄像头(device=0)能支持3264x24643264x18481920x0801640x12321280x7205种分辨率

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

下面显示的信息,表示USB摄像头(device=1)能支持640x480352x288320x240176x144160x1205种分辨率

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

接下来看看在DeepStream路径(/opt/nvidia/deepstream/deepstream)的samples/configs/deepstream-app 下面有个 source2_csi_usb_dec_infer_resnet_int8.txt文件,这是专门以CSIUSB摄像头为输入源的配置,里面可以看到以下关于摄像头设置的内容:

[source0]

enable=1

#Type - 1=CameraV4L2 2=URI 3=MultiURI 4=RTSP 5=CSI

type=5

camera-width=1280

camera-height=720

camera-fps-n=30

camera-fps-d=1

camera-csi-sensor-id=0

 

[source1]

enable=1

#Type - 1=CameraV4L2 2=URI 3=MultiURI

type=1

camera-width=1280

camera-height=720

camera-fps-n=30

camera-fps-d=1

camera-v4l2-dev-node=6

[source1]下面的参数有点小问题,用粗体标识出来,因为我们装载的USB摄像头最大分辨率为640x480,因此这里的camera-widthcamera-height都必须修改为摄像头所支持的分辨率,此外就是最下面的camera-v4l2-dev-node的部分,前面检查出来这台Jetson Nano 2GB上的USB摄像头编号为“1”,请按照实际状况修改。

将上面三地方修改完后,就可以直接执行以下指令去启动摄像头:

deepstream-app -c source2_csi_usb_dec_infer_resnet_int8.txt

由于配置文件里面原本设定使用INT8的精度去做推理,但是Jetson Nano 2GB并不支持,因此DeepStream自动切换成FP16精度,这需要重新生成对应的TensorRT引擎,会花点时间。

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

执行之后就能看的画面上出现类似以下的画面,上下分别是CSI摄像头与USB摄像头的显示,由于选择的模型是检测“Car”与“Person”的,所以在这里没有检测到任何目标物件。

 

另外看一下先前下指令的终端上,显示在Jetson Nano 2GB上的执行性能如下截屏

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

两个摄像头都能达到18FPS左右性能,总性能在36FPS左右,已经非常接近实时识别的速度,非常好。您可以试试旋转摄像头或者将手放在前面晃一晃,看看延迟状况如何?应该是很流畅的。

接下来,再添加两个视频文件一起进来执行检测,我们以系统上提供的视频文件做示范:

  • /opt/nvidia/deepstream/deepstream/samples/streams/sample_1080p_h264.mp4
  • /usr/share/visionworks/sources/data/pedestrians.h264

将这两个的设定添加到文件里的[source2][source3],内容如下:

[source2]

enable=1

type=2

uri=file://../../streams/sample_1080p_h264.mp4

 

[source3]

enable=1

type=2

uri=file:///usr/share/visionworks/sources/data/pedestrians.h264

最后调整文件最开始的“[tiled-display]”下面,将“columns=”的值改成“2”,存档后重新执行下面指令:

deepstream-app -c source2_csi_usb_dec_infer_resnet_int8.txt

现在可以看到如下图,两个摄像头与两个视频总共4个输入源同时执行的推理的功能。

 

接下来看看此时的性能如何?(如下图)居然每个输入源只剩下8FPS的性能,总性能在32FPS左右,似乎有点慢了。这个问题有补救的办法吗?

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

实时上问题出现在[primary-gie]使用的模型上,因为Jetson Nano(含2GB)的计算资源较为缺乏,因此DeepStream专门为Nano提供resnet10.caffemodel_b8_gpu0_fp16.engine特调版加速引擎,存放在“../../models/Primary_Detector_Nano”路径下,这是第一个需要做修改的地方:

  • model-engine-file=../../models/Primary_Detector_Nano/resnet10.caffemodel_b8_gpu0_fp16.engine

其次就是下面的“config-file”置换成支持Nano版本的配置文件,如下:

  • config-file=config_infer_primary_nano.txt

修改完使用的模型之后,重新执行deepstream-app进行物件检测,发现每个数据源的识别性能,立即从原本的8FPS提升到14FPS也就是总性能从32FPS上升到56FPS左右提升大约1.8。到这里否已经满足样的性能呢?

如果还觉得不满足的时候,那就继续看下去,还有大招在后面。只要我们将[primary-gie]下面的interval参数设为1,这时候再执行看看性能如何?

下面的截屏是调整interval参数之后的性能,有没有吓一跳?瞬间提升一倍。

NVIDIA Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”

经过三步骤调整之后,我们在Jetson Nano 2GB上的4个数据源,识别性能都超过27FPS,总性能合计超过100FPS,并且维持识别效果。

现在是不是对Jetson Nano 2GB的性能感到非常满意了!【完】

    扫一扫

    分享文章到微信


    北京第二十六维信息技术有限公司(至顶网)版权所有. 京ICP备15039648号-7 京ICP证161336号京公网安备 11010802021500号
    举报电话:010-62641205-5060 举报邮箱:jubao@zhiding.cn 安全联盟认证