NVIDIA Jetson Nano 2GB 系列文章（31）：DeepStream 多模型组合检测-1

前面已经介绍过关于DeepStream各种输入源的使用方式，而且Jetson Nano 2GB上开启4路输入（两个摄像头+两个视频文件），都能得到25FPS以上的实时性能，但毕竟“单一检测器（detector）”检测出来的物件是离散型的内容，例如车、人、脚踏车这些各自独立的信息。有没有什么方法能够实现“组合信息”呢？例如“黑色/大众/SUV车”！

DeepStream有一个非常强大的功能，就是多模型组合检测的功能，以一个主（Primary）推理引擎（GIE：GPU Inference Engine）去带着多个次（Secondary）推理引擎，就能实现前面所说的功能。

本实验在Jetson Nano 2GB上，执行4种模型的组合检测功能，能将检测到的车辆再往下区分颜色、厂牌、车种等三个进一步信息，在4路输入视频状态下能得到20+FPS性能，并且我们将显示的信息做中文化处理（如下图）。

在Jetson Nano 2GB上已经安装的DeepStream的范例中，已经预先准备了多个与“车”有关的检测器，可以在/opt/nvidia/deepstream/deepstream/samples/models目录下，看到以下信息：

简单说明一下每个目录所代表的的意义：

• Primary_Detector：作为项目的主检测器，这是用Caffe框架以ResNet10网络所训练的4类检测器，能检测“Car”、“Bicycle”、“Person”、“Roadsign”四种物件，这个数据可以在目录下的labels.txt中找到。
• Primary_Detector_Nano：将Primary_Detector里的模型，针对Jetson Nano（含2GB）的计算资源进行优化的版本。
• Secondary_CarColor：车子颜色的次级检测器
• Secondary_CarMake：生产厂商的次级检测器
• Secondary_VehicleTypes：车子种类的次级检测器

组成结构也十分简单，其中主（Primary）检测器只有一个，而且必须有一个，否则DeepStream无法进行推理识别。次（Secondary）检测器可以有好几个，这里的范例就是针对“Car”这个类别，再添加“Color”、“Maker”、“Type”这三类元素，就能获取视频图像中物件的更完整信息。

在Jetson Nano的/opt/nvidia/deepstream/deepstream/samples/config/deepstream-app下面的source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt，就已经把这个组合检测器的配置调试好，现在直接执行以下指令：

现在看到启动四个视频窗，但是每个视窗的执行性能只有8FPS，总性能大约32FPS，并不是太理想。

接下来看看怎么优化这个配置文件，

1. 首先要执行模型组合功能功能，必须把“tracker”功能打开，不过可以关闭追踪号的显示，因此保留“enable=1”，将下面的“display-tracking-id=”设为“0”
2. 由于我们在Jetson Nano 2GB版本上进行实验，需要进行以下的调整。如果您要在AGX Xavier或Xavier NX上上执行的活，请忽略这个步骤。

修改主检测器[primary-gie]的模型：配置文件中预设的是“Primary_Detector”检测器，这里得修改成专为Nano所训练的版本，这里修改以下几个地方：

1. 1. model-engine-file路径的“Primary_Detector”部分改成“Primary_Detector_Nano”
   2. config-file的文件改成config_infer_primary_nano.txt

因为Jetson Nano（含2GB）并不支持int8计算精度，因此还需要做以下修改：

2. 1. 将“_b4_gpu0_int8.engine”改成“_b8_gpu0_fp16.engine”
   2. 将所有“xx_gpu0_int8.engine”改成“xx_gpu0_fp16.engine”
3. 将追踪器从原本的ibnvds_mot_klt.so改成 libnvds_mot_iou.so，用“#”变更注释的位置就可以。

修改完后重新执行，可以看到每个窗口的检测性能提升到10~12FPS，总性能提升到40~48FPS，比原本提升12~50%，不过距离理想中的25FPS还有很大的差距。

执行过程中如果遇到“There may be a timestamping problem, or this computer is too slow.”这样的信息，就把[sink0]下面的“sync=”设定值改为“0”就可以。

现在看看是否还有什么可调整的空间？参考前一篇文章“DeepStream-04：Jetson Nano摄像头实时性能”所提到的，将[primary-gie]下面的“interval=”设定为“1”，然后再执行应用时，发现每个输入源的识别性能立即提升到20FPS左右（如下图），总性能已经能到80FPS左右，比最初的32FPS提升大约2.5倍，这已经很接近实时识别的性能。

好了，在Jetson Nano 2GB上已经能达到接近实时推理的性能，是相当好的状态。

如果对于显示输出的状态有些不满意的话，我们按照下面的步骤去执行，将“英文”类别名改成“中文”，并且将边框变粗、字体放大，就能更轻松看到推理的效果：

1. 所有的显示名称，都在models目录下个别模型目录里的labels.txt，可以将里面的内容全部改成中文。

例如deepstream/samples/models/Secondary_CarMake的“labels.txt”内容改为“广汽;奥迪;宝马;雪佛兰;克莱斯勒;道奇;福特;通用;本田;现代;英菲尼迪;吉普;起亚;雷克萨斯;马自达;奔驰;日产;速霸路;丰田;大众”，其他的就比照办理。

注意：这个顺序不能改变！

2. 边框宽度：修改[osd]下面的“board-width”值，推荐2~4比较合适；
3. 字体大小：修改[osd]下面的“texe-size”值，推荐15~18比较合适；
4. 其他：请自行设定

现在重新执行这个deepstream-app的应用，就能得到本文一开始所显示的效果：

如何？这样的效果与性能就是在Jetson Nano 2GB实现的！【完】