如何在NVIDIA Jetson平臺(tái)創(chuàng)建多攝像頭管道

多攝像頭應(yīng)用越來(lái)越流行；它們對(duì)于實(shí)現(xiàn)自主機(jī)器人、智能視頻分析（ IVA ）和 AR / VR 應(yīng)用至關(guān)重要。無(wú)論具體的用例如何，都必須始終執(zhí)行一些常見(jiàn)任務(wù)：

俘虜

預(yù)處理

編碼

陳列

在許多情況下，您還希望在攝像頭流上部署 DNN ，并在檢測(cè)上運(yùn)行自定義邏輯。圖 1 顯示了應(yīng)用程序的一般流程。

圖 1 本項(xiàng)目實(shí)施的管道流程

在本文中，我將展示如何在 NVIDIA Jetson 平臺(tái)上高效地實(shí)現(xiàn)這些常見(jiàn)任務(wù)。具體來(lái)說(shuō)，我介紹了 jetmulticam ，一個(gè)易于使用的 Python 軟件包，用于創(chuàng)建多攝像頭管道。我在一個(gè)帶有環(huán)繞攝像頭系統(tǒng)的機(jī)器人上演示了一個(gè)特定的用例。

多攝像頭硬件

選擇相機(jī)時(shí)要考慮的參數(shù)有很多：分辨率、幀速率、光學(xué)、全局/滾動(dòng)快門(mén)、界面、像素大小等。

在這個(gè)特定的多攝像頭設(shè)置中，可以使用以下硬件：

NVIDIA Jetson Xavier NX 單元

Leopard Imaging 提供的支持 GMSL2 的 carrier board

Leopard Imaging 的 3 × IMX185 GMSL2 cameras

IMX185 攝像頭的視野約為 90 °。如圖 2 所示，以 270 °的總視場(chǎng)相互垂直安裝。

圖 2 安裝攝像頭是為了最大限度地提高水平視野

攝像頭使用 GMSL 接口，該接口在距離 Jetson 模塊幾米遠(yuǎn)的位置提供了很大的靈活性。在這種情況下，可以將攝像頭升高約 0.5 米，以獲得更大的垂直視野。

圖 3 GMSL 接口可以靈活地將攝像頭定位在遠(yuǎn)離 Jetson 模塊的位置

開(kāi)始使用 Jetmulticam

首先，在 Jetson 板上下載并安裝 NVIDIA Jetpack SDK 。然后，安裝jetmulticam軟件包：

$ git clone https://github.com/NVIDIA-AI-IOT/jetson-multicamera-pipelines.git $ cd jetson-multicamera-pipelines
$ bash scripts/install_dependencies.sh
$ pip3 install Cython
$ pip3 install .

基本多攝像機(jī)流水線(xiàn)

安裝完成后，可以使用CameraPipeline類(lèi)創(chuàng)建基本管道。通過(guò) initializer 參數(shù)傳遞要包含在管道中的攝影機(jī)列表。在下面的示例中，元素[0, 1, 2]對(duì)應(yīng)于設(shè)備節(jié)點(diǎn)/dev/video0、/dev/video1和/dev/video2。

from jetmulticam import CameraPipeline
p = CameraPipeline([0, 1, 2])

就這樣，管道已經(jīng)初始化并啟動(dòng)?，F(xiàn)在，您可以從管道中的每個(gè)攝像頭讀取圖像，并以numpy陣列的形式訪(fǎng)問(wèn)它們。

img0 = p.read(0) # img0 is a np.array
img1 = p.read(1)
img2 = p.read(2)

通常，在一個(gè)循環(huán)中讀取相機(jī)是很方便的，如下面的代碼示例所示。管道從主線(xiàn)程異步運(yùn)行，read始終獲取最新的緩沖區(qū)。

while True:
 img0 = p.read(0)
 print(img0.shape) # >> (1920, 1080, 3)
 time.sleep(1/10)

更復(fù)雜的人工智能管道

現(xiàn)在，您可以構(gòu)建更復(fù)雜的管道。這一次，使用CameraPipelineDNN類(lèi)組成更復(fù)雜的管道，以及NGC目錄PeopleNet和DashCamNet中的兩個(gè)預(yù)訓(xùn)練模型。

import time
from jetmulticam import CameraPipelineDNN
from jetmulticam.models import PeopleNet, DashCamNet

if __name__ == "__main__":

 pipeline = CameraPipelineDNN(
 cameras=[2, 5, 8],
 models=[
 PeopleNet.DLA1,
 DashCamNet.DLA0,
 # PeopleNet.GPU
 ],
 save_video=True,
 save_video_folder="/home/nx/logs/videos",
 display=True,
 )

 while pipeline.running():
 arr = pipeline.images[0] # np.array with shape (1080, 1920, 3)
 dets = pipeline.detections[0] # Detections from the DNNs
 time.sleep(1/30)

下面是管道初始化的分解：

• 攝像機(jī)
• 模型
• 硬件加速
• 保存視頻
• 顯示視頻
• 主回路

攝像機(jī)

首先，與前面的示例類(lèi)似，cameras參數(shù)是傳感器列表。在這種情況下，使用與設(shè)備節(jié)點(diǎn)關(guān)聯(lián)的攝像頭：

• /dev/video2
• /dev/video5
• /dev/video8

cameras=[2, 5, 8]

模型

第二個(gè)參數(shù) models 使您能夠定義要在管道中運(yùn)行的預(yù)訓(xùn)練模型。

 models=[
 PeopleNet.DLA1,
 DashCamNet.DLA0,
 # PeopleNet.GPU
 ],

在這里，您將從NGC部署兩個(gè)經(jīng)過(guò)預(yù)訓(xùn)練的模型：

• PeopleNet：一種能夠識(shí)別人、臉和包的物體檢測(cè)模型。
• DashCamNet：能夠識(shí)別四類(lèi)對(duì)象的模型：汽車(chē)、人、路標(biāo)和自行車(chē)。

有關(guān)更多信息，請(qǐng)參閱 NGC 中的model cards。

硬件加速

模型使用NVIDIA 深度學(xué)習(xí)加速器（ DLA ）實(shí)時(shí)運(yùn)行。具體來(lái)說(shuō)，可以在 DLA0 （ DLA Core 0 ）上部署 PeopleNet ，在 DLA1 上部署 DashCamNet 。

在兩個(gè)加速器之間分配模型有助于提高管道的總吞吐量。此外， DLA 甚至比 GPU 更節(jié)能。因此，在最高時(shí)鐘設(shè)置的滿(mǎn)載情況下，系統(tǒng)消耗的電量?jī)H為~ 10W 。最后，在這種配置中， Jetson GPU 仍然可以使用 Jetson NX 上的 384 CUDA 內(nèi)核自由加速更多任務(wù)。

下面的代碼示例顯示了當(dāng)前支持的模型/加速器組合的列表。

pipeline = CameraPipelineDNN(
 # ...
 models=[
 models.PeopleNet.DLA0,
 models.PeopleNet.DLA1,
 models.PeopleNet.GPU,
 models.DashCamNet.DLA0,
 models.DashCamNet.DLA1,
 models.DashCamNet.GPU
 ]
 # ...
)

保存視頻

接下來(lái)的兩個(gè)參數(shù)指定是否存儲(chǔ)編碼的視頻，并定義用于存儲(chǔ)的文件夾。

save_video=True,
save_video_folder="/home/nx/logs/videos",

顯示視頻

作為最后的初始化步驟，將管道配置為在屏幕上顯示視頻輸出，以便進(jìn)行調(diào)試。

display=True

主回路

最后，定義主循環(huán)。在運(yùn)行期間，圖像在pipeline.images下可用，檢測(cè)結(jié)果在pipeline.detections下可用。

while pipeline.running():
 arr = pipeline.images[0] # np.array with shape (1080, 1920, 3)
 dets = pipeline.detections[0] # Detections from the DNNs
 time.sleep(1/30)

下面的代碼示例顯示了結(jié)果檢測(cè)。對(duì)于每次檢測(cè)，您都會(huì)得到一個(gè)包含以下內(nèi)容的字典：

• 對(duì)象類(lèi)
• 以像素坐標(biāo)定義為[左、寬、頂、高]的對(duì)象位置
• 檢測(cè)置信度

>>> pipeline.detections[0]
[
 # ...
 {
 "class": "person",
 "position": [1092.72 93.68 248.01 106.38], # L-W-T-H
 "confidence": 0.91
 },
 #...
]

用自定義邏輯擴(kuò)展人工智能管道

作為最后一步，您可以使用 DNN 輸出擴(kuò)展主循環(huán)以構(gòu)建自定義邏輯。具體來(lái)說(shuō)，您可以使用攝像頭的檢測(cè)輸出在機(jī)器人中實(shí)現(xiàn)基本的人員跟隨邏輯。源代碼可在 NVIDIA-AI-IOT/jetson-multicamera-pipelines GitHub repo 中找到。

要找到要跟蹤的人，請(qǐng)解析管道。檢測(cè)輸出。此邏輯在 find_closest_human 函數(shù)中實(shí)現(xiàn)。

根據(jù) dets2steer 中邊界框的位置計(jì)算機(jī)器人的轉(zhuǎn)向角。

如果人在左圖中，最大限度地左轉(zhuǎn)。

如果人在正確的形象中，盡量向右轉(zhuǎn)。

如果人在中心圖像中，則按邊界框中心的 X 坐標(biāo)成比例旋轉(zhuǎn)。

生成的視頻將保存到/home/nx/logs/videos，正如您在初始化過(guò)程中定義的那樣。

解決方案概述

下面簡(jiǎn)要介紹一下在下面的示例中配置jetmulticam works. The package dynamically creates and launches a GStreamer pipeline with the number of cameras that your application requires. Figure 4 shows how the underlying GStreamer管道時(shí)的外觀(guān)。如您所見(jiàn)，系統(tǒng)中所有關(guān)鍵操作（由綠色方框表示）都受益于硬件加速。

圖 4 系統(tǒng)的內(nèi)部組件 jetmulticam package

首先，使用多個(gè)攝像頭nvarguscamerasrc在視頻圖上捕獲。使用nvvidconv或nvvideoconvert重新縮放每個(gè)緩沖區(qū)并將其轉(zhuǎn)換為 RGBA 格式。接下來(lái)，使用服務(wù)器提供的component對(duì)幀進(jìn)行批處理 DeepStream SDK 。默認(rèn)情況下，批次大小等于系統(tǒng)中的攝像頭數(shù)量。

要部署 DNN 模型，請(qǐng)利用 nvinfer 元素。在演示中，我在 Jetson Xavier NX 上提供的兩種不同加速器 DLA core 1 和 DLA core 2 上部署了兩種型號(hào)， PeopleNet 和 DashCamNet 。然而，如果需要的話(huà)，可以將更多的模型堆疊在彼此之上。

生成的邊界框被nvosd元素覆蓋后，使用nvoverlaysink將其顯示在 HDMI 顯示屏上，并使用硬件加速的 H264 編碼器對(duì)視頻流進(jìn)行編碼。保存到。 mkv 文件。

Python 代碼中可用的圖像（例如pipeline.images［0］）通過(guò)回調(diào)函數(shù)或 probe 解析為numpy數(shù)組，并在每個(gè)視頻轉(zhuǎn)換器元素上注冊(cè)。類(lèi)似地，在最后一個(gè)nvinfer元素的 sinkpad 上注冊(cè)了另一個(gè)回調(diào)函數(shù)，該元素將元數(shù)據(jù)解析為用戶(hù)友好的檢測(cè)列表。有關(guān)源代碼或單個(gè)組件配置的更多信息，請(qǐng)參閱 create_pipeline 函數(shù)。

結(jié)論

NVIDIA Jetson 平臺(tái)上的硬件加速與 NVIDIA SDKS 結(jié)合，可以實(shí)現(xiàn)卓越的實(shí)時(shí)性能。例如，下面的示例在三個(gè)攝像頭流上實(shí)時(shí)運(yùn)行兩個(gè)對(duì)象檢測(cè)神經(jīng)網(wǎng)絡(luò)，同時(shí)保持 CPU 利用率 低于 20% 。

本文展示的Jetmulticam包使您能夠用 Python 構(gòu)建自己的硬件加速管道，并在檢測(cè)之上包含自定義邏輯。

關(guān)于作者

Tomasz Lewicki 是 NVIDIA 的嵌入式工程實(shí)習(xí)生。他擁有圣何塞州立大學(xué)計(jì)算機(jī)工程碩士學(xué)位，華沙工業(yè)大學(xué)華沙工業(yè)大學(xué)機(jī)器人工程學(xué)學(xué)士學(xué)位。他的興趣集中在計(jì)算機(jī)視覺(jué)和機(jī)器人應(yīng)用的深度學(xué)習(xí)上。

審核編輯：郭婷