Mettez DeepStream SDK Python Binding dans Jetson Nano et essayez la détection d'objets
Aperçu
En utilisant le SDK DeepStream, l'inférence à grande vitesse est possible même avec Jetson Nano (YOLO v3-TIny semble produire environ 25 FPS). Cette fois, j'utiliserai DeepStream SDK pour créer un programme qui acquiert les résultats d'inférence de Python. En passant, à propos du SDK DeepStream, Article détaillé sur Macnica est répertorié, il est donc bon de s'y référer.
environnement
Terminal: Jetson Nano Image: JetPack 4.2.2. DeepStream SDK：v4.0.2 Python Binding：v0.5α
- En passant, si vous utilisez Jetcard, vous pouvez installer Deepstream SDK, donc JetPack est recommandé.
Installation de DeepStream
Vois ici [SDK Deep Stream avec Jetson Nano pour détecter les objets en temps réel et fournir RTSP](https://www.space-i.com/post-blog/jetson-nano%E3%81%A7deepstream-sdk% E3% 80% 80usb% E3% 82% AB% E3% 83% A1% E3% 83% A9% E6% 98% A0% E5% 83% 8F% E3% 81% 8B% E3% 82% 89% E6% A4% 9C% E7% 9F% A5% EF% BC% 86iphone% E3% 81% A7% E3% 82% B9% E3% 83% 88% E3% 83% AA% E3% 83% BC% E3% 83% A0 /)
Installation de DeepStream Python Binding
Téléchargez «DeepStream Python Apps and Bindings» depuis ce site
Enregistrez dans n'importe quel emplacement et décompressez
$ tar -xjvf deepstream_python_v0.5.tbz2
deepstream_python_v0.5/
deepstream_python_v0.5/LICENSE.txt
deepstream_python_v0.5/ds_pybind_0.5.tbz2
deepstream_python_v0.5/LicenseAgreement.pdf
deepstream_python_v0.5/README
De plus, décompressez "ds_pybind_0.5.tbz2"
$ cd deepstream_python_v0.5/
$ ls
LICENSE.txt LicenseAgreement.pdf README ds_pybind_0.5.tbz2
~/deepstream_python_v0.5$ tar -xjvf ds_pybind_0.5.tbz2
Poursuivez l'installation en vous référant à deepstream_python_v0.5 / README. Tout d'abord, placez la liaison Python dans le répertoire d'installation du SDK DeepStream.
$ tar -xjvf ds_pybind_v0.5.tbz2
$ cp -r python /opt/nvidia/deepstream/deepstream-4.0/sources/
À ce stade, vérifiez que la structure des dossiers est la suivante
/opt/nvidia/deepstream/deepstream-4.0/sources/python/bindings
/opt/nvidia/deepstream/deepstream-4.0/sources/python/apps$ ls
common deepstream-test2 deepstream-test4
deepstream-test1 deepstream-test3
Installez Gst-python.
$ sudo apt-get install python-gi-dev
$ export GST_LIBS="-lgstreamer-1.0 -lgobject-2.0 -lglib-2.0"
$ export GST_CFLAGS="-pthread -I/usr/include/gstreamer-1.0 -I/usr/include/glib-2.0 -I/usr/lib/x86_64-linux-gnu/glib-2.0/include"
$ git clone https://github.com/GStreamer/gst-python.git
$ cd gst-python
$ git checkout 1a8f48a
$ ./autogen.sh PYTHON=python3
$ ./configure PYTHON=python3
$ make
$ sudo make install
Modifiez le fichier de configuration de Jetson Nano.
Cette fois, nous allons définir l'exemple de programme deepstream-test1 comme exemple. Tout d'abord, allez dans deepstream-test1.
$ cd /opt/nvidia/deepstream/deepstream-4.0/sources/python/apps/deepstream-test1
$ ls
README dstest1_pgie_config.txt
deepstream_test_1.py
"Dstest1_pgie_config.txt" dans ce fichier est le fichier de configuration par défaut, mais comme il s'agit du fichier de configuration pour Jetson AGX Xavier, il doit être modifié pour Jetson Nano. Par conséquent, créez un nouveau fichier appelé "dstest_jetson_nano_config.txt" ci-dessous. Copiez et collez le contenu suivant tel quel.
dstest_jetson_nano_config.txt
[property]
gpu-id=0
net-scale-factor=0.0039215697906911373
model-file=../../../../samples/models/Primary_Detector_Nano/resnet10.caffemodel
proto-file=../../../../samples/models/Primary_Detector_Nano/resnet10.prototxt
model-engine-file=../../../../samples/models/Primary_Detector_Nano/resnet10.caffemodel_b8_fp16.engine
labelfile-path=../../../../samples/models/Primary_Detector_Nano/labels.txt
batch-size=8
process-mode=1
model-color-format=0
## 0=FP32, 1=INT8, 2=FP16 mode
network-mode=2
num-detected-classes=4
interval=0
gie-unique-id=1
output-blob-names=conv2d_bbox;conv2d_cov/Sigmoid
#parse-bbox-func-name=NvDsInferParseCustomResnet
#custom-lib-path=/path/to/libnvdsparsebbox.so
#enable-dbscan=1
[class-attrs-all]
threshold=0.2
group-threshold=1
## Set eps=0.7 and minBoxes for enable-dbscan=1
eps=0.2
#minBoxes=3
roi-top-offset=0
roi-bottom-offset=0
detected-min-w=0
detected-min-h=0
detected-max-w=0
detected-max-h=0
Modifiez également deepstream_test_1.py comme suit.
deepstream_test_1.py
- pgie.set_property('config-file-path', "dstest1_pgie_config.txt")
+ pgie.set_property('config-file-path', "dstest_jetson_nano_config.txt")
- streammux.set_property('width', 1920)
+ streammux.set_property('width',Largeur de la vidéo)
- streammux.set_property('height', 1080)
+ streammux.set_property('height',Hauteur de la vidéo)
Il est difficile de vérifier et de régler la résolution vidéo à l'avance, c'est donc aussi une bonne idée d'essayer d'obtenir la résolution vidéo en utilisant OpenCV. Par exemple, comme ça
deepstream_test_1.py
import cv2
cap = cv2.VideoCapture(args[1])
ret, frame = cap.read()
width = len(frame[0])
height = len(frame)
print (f"width:{width}, height:{height}")
streammux.set_property('width', width)
streammux.set_property('height', height)
Courir
Créez un fichier vidéo de test dans le même répertoire que deepstream_test_1.py et exécutez la commande suivante pour afficher le résultat de l'inférence DeepStream à l'écran. En outre, il semble qu'il faudra environ 5 minutes pour que le résultat de l'inférence soit affiché.
$ python3 deepstream_test_1.py "Fichier vidéo"
Si ça ne marche pas
Si cela ne fonctionne pas, vérifiez les points suivants.
- Vérifiez si l'emplacement de Pyhon Binding sous DeepStream SDK est correct
→ Le dossier deepstream-test * existe-t-il correctement sous deepstream-4.0 / sources / python / apps? - Est-ce que la vidéo est H.264?
- La version de DeepStream SDK, Jetpack et Python Binding est-elle appropriée?
→ Au moment de la rédaction, la combinaison de JetPack v.4.2.2., DeepStream SDK v.4.0.2 et Python Binding v.0.5α est la dernière. y a-t-il - Si vous ne comprenez toujours pas, essayez d'activer l'option de débogage GST.
→
Recommended Posts