Jetson Nano 2GB系列文章(30):DeepStream 摄像头“实时性能”
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。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-getinstall v4l2-utils
v4l2-ctl--list-devices
```
下面显示的信息,表示目前接上一个 imx-219 的 CSI 摄像头,以及一个 USB 2.0摄像头。
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3264x2464、3264x1848、1920x080、1640x1232、1280x720 等 5 种分辨率
下面显示的信息,表示 USB 摄像头(device=1)能支持 640x480、352x288、320x240、176x144、160x120 等 5 种分辨率
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 CSI 与 USB 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:
```
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
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
```
在****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-width**与**camera-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。
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
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与,内容如下:
```
enable=1
type=2
uri=file://../../streams/sample_1080p_h264.mp4
enable=1
type=2
uri=file:///usr/share/visionworks/sources/data/pedestrians.h264
```
最后调整文件最开始的“”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?
实时上问题出现在****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倍**。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。
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!
页:
[1]