Jetson Nano 2GB系列文章（35）Python版test1实战说明
上一篇文章已经带着大家安装 DeepStream 的 Python 开发环境，并且执行最简单的 deepstream-test1.py，让大家体验一下这个范例的效果。本文则进一步以这个 Python 代码讲解 DeepStream 插件工作流，并且扩充 USB 摄像头作为输入，以及将输出透过 RTSP 转发到其他电脑上观看。如果还未安装 Python 环境或下载 Python 范例的，请至前一篇文章中找安装与下载的步骤，这里不再重复。
前面文章中已经简单提过 DeepStream 所用到的插件内容，但那只是整个框架中非常基础的一小部分，本文要用代码开始解说范例的时候，还是得将 Gstreamer 一些重要构成元素之间的关系说明清楚，这样才能让大家在代码过程得以一目了然。
现在先把这个 test1 范例的执行流程先讲解清楚，这样在阅读后面的代码就会更加容易掌握上下之间的交互关系。这里的流程对 C/C++ 版本与 Python 版本是完全一样的，只不过代码不过用 Python 来说明：
[*]首先 filesrc 数据源元件负责从磁盘上读取视频数据
[*]h264parse 解析器元件负责对数据进行解析
[*]nvv4l2decoder 编码器元件负责对数据进行解码
[*]nvstreammux 流多路复用器元件负责批处理帧以实现最佳推理性能
[*]nvinfer 推理元件负责实现加速推理
[*]nvvideoconvert 转换器元件负责将数据格式转换为输出显示支持的格式
[*]nvdsosd 可视化元件负责将边框与文本等信息绘制到图像中
[*]nvegltransform 渲染元件和 nveglglessink 接收器元件负责输出到屏幕上
建立 DeepStream 应用程式的步骤与 Gstreamer 几乎一样，都是有固定的步骤，只要熟悉之后就会发现其实并没有什么难度，接下去就开始我们的执行步骤。
[*]创建 DeepStream 应用的7大步骤初始化 Gstreamer 与创建管道（pipeline）
1. 初始化 Gstreamer 与创建管道（pipeline）
# 从“def main(args):”开始
GObject.threads_init()
# 标准GStreamer初始化
Gst.init(None)
# 创建Gst物件与初始化
pipeline = Gst.Pipeline()
# 创建与其他元素相连接的管道元素
2. 创建所有需要的元件（element）：用Gst.ElementFactory.make() 创建所需要的元素，每个元素内指定插件类别（粗体部分）并给定名称（自行设定）：
# 阶段1-处理输入源的插件：
# 建立“源”元素负责从文件读入数据
source = Gst.ElementFactory.make("filesrc", "file-source")
# 解析文件是否为要求的h264格式
h264parser = Gst.ElementFactory.make("h264parse", "h264-parser")
# 调用NVIDIA的nvdec_h264硬件解码器
decoder = Gst.ElementFactory.make("nvv4l2decoder", "nvv4l2-decoder")
# 创建nvstreammux实例，将单个或多个源数据，复用成一个“批（batch）”
streammux = Gst.ElementFactory.make("nvstreammux", "Stream-muxer")
# 阶段2-执行推理的插件：
# 使用NVINFERE对解码器的输出执行推理，推理行为是通过配置文件设置
pgie = Gst.ElementFactory.make("nvinfer", "primary-inference")
# 阶段3-处理输出的插件：
# 根据nvosd的要求，使用转换器将NV12转换为RGBA
nvvidconv = Gst.ElementFactory.make("nvvideoconvert", "convertor")
# 创建OSD以在转换的RGBA缓冲区上绘制
nvosd = Gst.ElementFactory.make("nvdsosd", "onscreendisplay")
# 最后将osd的绘制，进行渲染后在屏幕上显示结果
transform=Gst.ElementFactory.make("nvegltransform", "egltransform")
sink = Gst.ElementFactory.make("nveglglessink", "nvvideo-renderer")
3. 配置元件的参数：
# 以args给定的文件名为输入源视频文件
source.set_property('location', args)
# 设定流复用器的尺寸、数量
streammux.set_property('width', 1920)
streammux.set_property('height', 1080)
streammux.set_property('batch-size', 1)
streammux.set_property('batched-push-timeout', 4000000)
# 设定pgie的配置文件
pgie.set_property('config-file-path', "dstest1_pgie_config.txt")
4. 将元件添加到导管之中：用pipeline.add()
pipeline.add(source)
pipeline.add(h264parser)
pipeline.add(decoder)
pipeline.add(streammux)
pipeline.add(pgie)
pipeline.add(nvvidconv)
pipeline.add(nvosd)
pipeline.add(sink)
if is_aarch64():
pipeline.add(transform)
5. 将元件按照要求连接起来：本范例的管道流为file-source -> h264-parser -> nvh264-decoder -> streammux -> nvinfer -> nvvidconv -> nvosd -> video-renderer
source.link(h264parser) # file-source -> h264-parser
h264parser.link(decoder) # h264-parser -> nvh264-decoder
# 下面粗线的三行，是streammux的特殊处理方式
sinkpad = streammux.get_request_pad("sink_0")
srcpad = decoder.get_static_pad("src")
srcpad.link(sinkpad)
streammux.link(pgie) # streammux -> nvinfer
pgie.link(nvvidconv) # nvinfer -> nvvidconv
nvvidconv.link(nvosd) # nvvidconv -> nvosd
nvosd.link(transform) # nvosd -> transform
transform.link(sink) # transform -> video-renderer
前面5个步骤都是比较静态的固定步骤，只要将想开发的应用所需要的插件元件进行“创建”、“给值”、“连接”就可以。
接下去的部分是整个应用中非常关键的灵魂，就是我们得为整个应用去建构“信息（message）传递系统”，这样才能让这个应用与插件元件之间形成互动，进而正确执行我们想要得到的结果。其相互关系图如下，这里并不花时间去讲解调用细节，想了解的请自行参考 Gstreamer 框架的详细使用。
6. 创建一个事件循环（evnet loop）：将信息（mesages）传入并监控bus的信号
loop = GObject.MainLoop()
bus = pipeline.get_bus()
bus.add_signal_watch()
bus.connect ("message", bus_call, loop)
# 用osdsinkpad来确认nvosd插件是否获得输入
osdsinkpad = nvosd.get_static_pad("sink")
# 添加探针（probe）以获得生成的元数据的通知，我们将probe添加到osd元素的接收器板中，因为到那时，缓冲区将具有已经得到了所有的元数据。
osdsinkpad.add_probe(Gst.PadProbeType.BUFFER, \
osd_sink_pad_buffer_probe, 0)
注意“osd_sink_pad_buffer_probe”部分，这是代码中另一个重点，需要自行撰写代码去执行的部分，就是代码中第41~126行的内容，这里面的处理以“帧”为单位（在“while l_frame is not None:”里面），将该帧所检测到的物件种类进行加总，并且将物件根据种类的颜色画出框框。
事实上在这80+行代码中，真正与数据处理相关的部分，只有20行左右的内容，注释的部分占用不小的篇幅，这是作者为大家提供非常重要的说明，只要耐心地去阅读，就能轻松地掌握里面的要领。
7. 播放并收听事件：这部分就是个“启动器”，如同汽车钥匙“执行发动”功能一样。
# 配置导管状态为PLAYING就可以
pipeline.set_state(Gst.State.PLAYING)
try:
loop.run() # 执行前面创建的事件循环
except:
pass
# 执行结束之后，需要清除导管，将状态为NULL就可以
pipeline.set_state(Gst.State.NULL)
以上就是建立DeepStream应用的标准步骤，可以将“def main(args):”部分的代码当作是个模板去加以利用。
至于“osd_sink_pad_buffer_probe”函数的作用，就是从osd接收器提取接收的元数据，并更新绘图矩形、对象信息等的参数，里面的代码也都是标准内容，可以在别的应用在重复套用。更多参数优化的细节部分，须花时间详细阅读DeepStream开发手册。
接下来就实际执行一下Python版本的deepstream-test1代码，看看效果如何！
[*]执行deepstream_test_1.py
前面文章中已经将NVIDIA/AI-IOT/deepstream-python-apps项目下载到Jetson Nano 2GB上的<deepstream< span="">根目录>/sources下面，现在就到这个目录下去执行
cd<deepstream< span="">根目录>/sources/deepstream_python_apps/apps
cd deepstream-test1
下面有执行文件deepstream_test_1.py、配置文件dstest1_pgie_config.txt与说明文件README，这个配置文件就是步骤3最后“pgie.set_property”里面指定的文件，在执行文件里看不到任何与推理模型相关的内容，原来都放在设定文件里面去指定了。
关于设定文件的参数设定部分，是相对容易了解的，这里不多花时间说明，接下去直接执行以下指令看看执行结果：
python3 deepstream_test_1.py ../../../../samples/streams/sample_720p.h264
就能跑出我们熟悉的结果，
如果觉得左上方显示的字体太小，请自行改动代码第110行的字体号数。下图是字体放大到20号时候的显示结果，现在就可以看到很清楚了。
到这里，相信您应该对DeepStream代码有更深层次的了解，在了解整个框架与工作流程之后，可以发现要开发一个基础应用，并不是一件太困难的事情，不过建议您多反复阅读代码内的每一行说明，并且自行适度修改些参数看看效果会有什么变化，一旦熟悉这些逻辑与交互关系之后，就会觉得DeepStream其实很简单。
页:
[1]