NVIDIA Jetson Nano 2GB 系列文章（28）: DeepStream 初体验

前一篇文章为大家讲述了 DeepStream 的应用定位、单机工作流、实际部署图，以及完整的软件栈的内容，可以对其有一个框架性的了解。接下来大家可以思考一下，DeepStream 可以开发什么应用？

 

可能有人会猜想，这么强大且复杂的视频分析工具，一定需要具备很多的专业知识与编程语言基础，才有可能操作这样一套系统。

 

的确，如果要实现完整的视频分析中心的整体部署，确实需要更多的技术去完成；但如果只想做些轻便的单机应用，例如自己家中或办公环境的视频分析应用，那就非常地简单，甚至不需要撰写或修改代码就能实现。

 

本文的内容，就是用 NVIDIA Jetson Nano 2GB 快速带大家来执行 NVIDIA 为 DeepStream 已经提供好的应用，整个执行流程也适用于 Jetson 系列的所有设备，当然，也能在带有 CUDA GPU 计算卡的 x86 设备上运作。

 

这里的运作环境是用 NVIDIA Jetpack 4.5.0 安装，关于操作系统、CUDA、CUDNN、TensorRT、OpenCV 等版本，请自行参考 NVIDIA 官方所提供的说明内容。

 

Jetpack 会为 Jetson 设备直接安装好 DeepStream 套件，因此 Jetson 用户可以省略 DeepStream 的安装步骤，进入 Jetson 设备之后，执行以下指令就可以检查其版本：

 

# 在 Jetson 设备 $      dpkg  -l deepstream-5.0

 

会看到如下截图的信息，表示目前安装的版本为“5.0.1-1”！

 

 

 

接下来看看 Deepstream 为系统提供哪些可执行的软件？请执行以下指令：

 

$      deepstream-（连续敲击两次“Tab”键）

 

会看到如下截图，总共有20个可执行工具，我们只需要 deepstream-app 这个工具，其余可以不用理会。

 

 

 

在/opt/nvidia/deepstream/deepstream 路径下安装 DeepStream，后面的实验操作以这下面的 samples 目录里的内容为主，为了方便操作起见，请执行以下指令，在主目录执行建立一个链接：

 

$     cd  ~ $      ln  -s /opt/nvidia/deepstream/deepstream/samples ds5_samples

 

现在执行以下指令，看看 samples 里的目录结构，对 DeepStream 范例能多一份总体观：

 

$      tree  -L 2 -d ds5_samples

 

下图框处是本次实验有关的部分：

 

 

 

本次实验使用 deepstream-app 这个编译好的工具，执行时只要在后面添加”-c <配置文件>“即可，要做的任务就是修改配置文件的内容，便可以轻松地改变实现的功能。配置文件的范例存放在 config/deepstream-app 目录下，有 9 个“source”带头的范例文件可以使用，根据文件名可以看出该文件的适用设备。

 

source8_1080p_dec_infer-resnet_tracker_tiled_display_fp16_nano.txt 这个配置文件比较适合 Jetson Nano 2GB 使用，先简单分解一下文件名所代表的意义：

 

• source8：有 8 个输入源
• 1080p：输入源的最高分辨率
• dec：检测器 detector 的缩写，表示这个设定文件是做物件检测功能
• infer-resnet：使用 ResNet 这个神经网络执行推理功能 
• tracker：启用“物件追踪”功能
• tiled_display：启用“并列显示”功能
• fp16：推理时的数据精度
• nano：针对 Nano 设备

这些文件名只是比较有针对性地提供预设参数而已，里面的每一个参数都是可以任意修改的。为了方便后面的执行，因此建议将配置文件复制成一个比较短的文件名：

$      sudo  chmod 777 -R ds5_samples $      cd  ds5_samples/configs/deepstream-app $      cp source8_1080p_dec_infer-resnet_tracker_tiled_display_fp16_nano.txt  myNano.txt

 

后面所有的修改在 myNano.txt 里面执行就可以。现在执行以下指令，看看会得到什么结果：

 

$      deepstream-app  -c myNano.txt

 

第一次执行时要为神经网络模型生成 TensorRT 加速引擎，所以需要几分钟时间去建立，正常运行会看到下图的显示，出现 2x4 个并列显示框。

 

 

 

下面是指令框显示的个别推理性能，8 个框的总性能合计大约在 120FPS，这对 JetsonNano 2GB 来说是非常惊人的。

 

 

 

如果使用 NoMachine 远程控制 Jetson Nano 2GB，可能会看不到显示的画面，这时请先按 Ctrl-C 退出执行，然后修改 myNano.txt 里面的[sink0]两个参数，如下：

 

。。。。。 [sink0] #type=5 type=2 #sync=1 sync=0 。。。。。

 

然后重新执行“deepstream-app -c myNano.txt”应该就能看到显示的结果了。

 

这个标准演示一个较明显的问题就是 8 个框的数据源是相同的，这是否存在不真实的部分？因此修改一下输入来源的部分，调用从 DeepStream 与 VisionWorks 所提供的测试视频来执行“多视频”分析功能。

 

接下来在 myNano.txt 中做些小幅度的修改：

1. 为了让显示的尺寸更加合理化，修改[tiled-display]下面的 rows=2, columns=2

2. 以[source0]为范本，删除不需要的参数，复制为[source1]、[source2]、[source3]

 

这里特别使用不同格式的视频，包括.mp4、.h264、.avi等。存好修改内容后重新执行“deepstream-app -c myNano.txt”，就会看到如下的四个不同视频的推理结果，其中红色的代表“Car”、蓝色代表“Person”。

 

 

请自行查看一下命令框里，四组推理性能总和与前面八组推理性能的总合是否符合

 

玩转 DeepStream 就是这么简单，到目前为止完全没有牵涉任何的代码，只是修改一些参数就能实现多数据源的高性能识别，现在可以去向朋友炫耀了！

“目标追踪（track）”功能是推理识别的后处理任务，为识别出的物件标上编号之后，就能进行更多样化的后续操作，包括统计人流、动向分析、目标锁定等等，这个功能需要相对复杂的算法来支撑。

 

DeepStream 已经将“目标追踪”功能都封装好，只需在配置文件中做些简单处理，这就是下一篇文章要带大家执行的任务。