DeepStream如何實現(xiàn)“組合信息”

前面已經(jīng)介紹過關(guān)于 DeepStream 各種輸入源的使用方式，而且 Jetson Nano 2GB 上開啟 4 路輸入（兩個攝像頭+兩個視頻文件），都能得到 25FPS 以上的實時性能，但畢竟“單一檢測器（detector）”檢測出來的物件是離散型的內(nèi)容，例如車、人、腳踏車這些各自獨立的信息。有沒有什么方法能夠?qū)崿F(xiàn)“組合信息”呢？例如“黑色/大眾/SUV 車”！

DeepStream 有一個非常強大的功能，就是多模型組合檢測的功能，以一個主（Primary）推理引擎（GIE：GPU Inference Engine）去帶著多個次（Secondary）推理引擎，就能實現(xiàn)前面所說的功能。

本實驗在 Jetson Nano 2GB 上，執(zhí)行 4 種模型的組合檢測功能，能將檢測到的車輛再往下區(qū)分顏色、廠牌、車種等進一步信息，在 4 路輸入視頻狀態(tài)下能得到 20+FPS 性能，并且我們將顯示的信息做中文化處理。

nvidia@nano2g-jp450:/opt/nvidia/deepstream/deepstream/samples/models$ ls -l

總用量 24

drwxrwxrwx 2 root root 4096 7月 13 23:49 Primary_Detector

drwxrwxrwx 2 root root 4096 7月 13 22:45 Primary_Detector_Nano

drwxrwxrwx 2 root root 4096 2月 8 21:50 Secondary_CarColor

drwxrwxrwx 2 root root 4096 2月 8 21:50 Secondary_CarMake

drwxrwxrwx 2 root root 4096 2月 8 21:50 Secondary_VehicleTypes

drwxrwxrwx 4 root root 4096 2月 8 21:49 Segmentation

簡單說明一下每個目錄所代表的的意義：

Primary_Detector：作為項目的主檢測器，這是用 Caffe 框架以 ResNet10 網(wǎng)絡所訓練的 4 類檢測器，能檢測“Car”、“Bicycle”、“Person”、“Roadsign”四種物件，這個數(shù)據(jù)可以在目錄下的 labels.txt 中找到。

Primary_Detector_Nano：將Primary_Detector里的模型，針對 Jetson Nano（含 2GB）的計算資源進行優(yōu)化的版本。

Secondary_CarColor：車子顏色的次級檢測器

Secondary_CarMake：生產(chǎn)廠商的次級檢測器

Secondary_VehicleTypes：車子種類的次級檢測器

組成結(jié)構(gòu)也十分簡單，其中主（Primary）檢測器只有一個，而且必須有一個，否則 DeepStream 無法進行推理識別。次（Secondary）檢測器可以有好幾個，這里的范例就是針對“Car”這個類別，再添加“Color”、“Maker”、“Type”這三類元素，就能獲取視頻圖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，就已經(jīng)把這個組合檢測器的配置調(diào)試好，現(xiàn)在直接執(zhí)行以下指令：

cd/opt/nvidia/deepstream/deepstream/samples/config/deepstream-app

deepstream-app -c source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt

現(xiàn)在看到啟動四個視頻窗，但是每個視窗的執(zhí)行性能只有 8FPS，總性能大約 32FPS，并不是太理想。

接下來看看怎么優(yōu)化這個配置文件

首先要執(zhí)行模型組合功能功能，必須把“tracker”功能打開，不過可以關(guān)閉追蹤號的顯示，因此保留“enable=1”，將下面的“display-tracking-id=”設為“0”

由于我們在 Jetson Nano 2GB 版本上進行實驗，需要進行以下的調(diào)整。如果您要在 AGX Xavier 或 Xavier NX 上上執(zhí)行的活，請忽略這個步驟。

修改主檢測器［primary-gie］的模型：配置文件中預設的是“Primary_Detector”檢測器，這里得修改成專為 Nano 所訓練的版本，這里修改以下幾個地方：

（1） model-engine-file路徑的“Primary_Detector”部分改成“Primary_Detector_Nano”

（2） config-file 的文件改成 config_infer_primary_nano.txt

因為 Jetson Nano（含2GB）并不支持 int8 計算精度，因此還需要做以下修改：

（3） 將“_b4_gpu0_int8.engine”改成“_b8_gpu0_fp16.engine”

（4） 將所有“xx_gpu0_int8.engine”改成“xx_gpu0_fp16.engine”

3. 將追蹤器從原本的 ibnvds_mot_klt.so 改成 libnvds_mot_iou.so，用“#”變更注釋的位置就可以。

修改完后重新執(zhí)行，可以看到每個窗口的檢測性能提升到 10~12FPS，總性能提升到 40~48FPS，比原本提升12~50%，不過距離理想中的 25FPS 還有很大的差距。

執(zhí)行過程中如果遇到“Theremay be a timestamping problem， or this computer is too slow.”這樣的信息，就把［sink0］下面的“sync=”設定值改為“0”就可以。

現(xiàn)在看看是否還有什么可調(diào)整的空間？參考前一篇文章“DeepStream-04：Jetson Nano 攝像頭實時性能”所提到的，將［primary-gie］下面的“interval=”設定為“1”，然后再執(zhí)行應用時，發(fā)現(xiàn)每個輸入源的識別性能立即提升到 20FPS 左右，總性能已經(jīng)能到 80FPS 左右，比最初的 32FPS 提升大約 2.5倍，這已經(jīng)很接近實時識別的性能。

好了，在Jetson Nano 2GB 上已經(jīng)能達到接近實時推理的性能，是相當好的狀態(tài)。

如果對于顯示輸出的狀態(tài)有些不滿意的話，我們按照下面的步驟去執(zhí)行，將“英文”類別名改成“中文”，并且將邊框變粗、字體放大，就能更輕松看到推理的效果：

1. 所有的顯示名稱，都在 models 目錄下個別模型目錄里的labels.txt，可以將里面的內(nèi)容全部改成中文。

例如

deepstream/samples/models/Secondary_CarMake的“l(fā)abels.txt”內(nèi)容改為“廣汽;奧迪;寶馬;雪佛蘭;克萊斯勒;道奇;福特;通用;本田;現(xiàn)代;英菲尼迪;吉普;起亞;雷克薩斯;馬自達;奔馳;日產(chǎn);速霸路;豐田;大眾”，其他的就比照辦理。

注意：這個順序不能改變！

2. 邊框?qū)挾龋盒薷模踥sd］下面的“board-width”值，推薦 2~4 比較合適；

3. 字體大?。盒薷模踥sd］下面的“texe-size”值，推薦 15~18 比較合適；

4. 其他：請自行設定

如何？這樣的效果與性能就是在 Jetson Nano 2GB 實現(xiàn)的！

編輯：jq