前一篇文章為大家講述了 DeepStream 的應用定位、單機工作流、實際部署圖，以及完整的軟件棧的內容，可以對其有一個框架性的了解。接下來大家可以思考一下，DeepStream 可以開發什么應用？

可能有人會猜想，這么強大且復雜的視頻分析工具，一定需要具備很多的專業知識與編程語言基礎，才有可能操作這樣一套系統。

的確，如果要實現完整的視頻分析中心的整體部署，確實需要更多的技術去完成；但如果只想做些輕便的單機應用，例如自己家中或辦公環境的視頻分析應用，那就非常地簡單，甚至不需要撰寫或修改代碼就能實現。

本文的內容，就是用 NVIDIA Jetson Nano 2GB 快速帶大家來執行 NVIDIA 為 DeepStream 已經提供好的應用，整個執行流程也適用于 Jetson 系列的所有設備，當然，也能在帶有 CUDA GPU 計算卡的 x86 設備上運作。

這里的運作環境是用 NVIDIA Jetpack 4.5.0 安裝，關于操作系統、CUDA、CUDNN、TensorRT、OpenCV 等版本，請自行參考 NVIDIA 官方所提供的說明內容。

Jetpack 會為 Jetson 設備直接安裝好 DeepStream 套件，因此 Jetson 用戶可以省略 DeepStream 的安裝步驟，進入 Jetson 設備之后，執行以下指令就可以檢查其版本：

# 在 Jetson 設備

$ dpkg -l deepstream-5.0

會看到如下截圖的信息，表示目前安裝的版本為“5.0.1-1”！

接下來看看 Deepstream 為系統提供哪些可執行的軟件？請執行以下指令：

$ deepstream-（連續敲擊兩次“Tab”鍵）

會看到如下截圖，總共有20個可執行工具，我們只需要 deepstream-app 這個工具，其余可以不用理會。

在/opt/nvidia/deepstream/deepstream 路徑下安裝 DeepStream，后面的實驗操作以這下面的 samples 目錄里的內容為主，為了方便操作起見，請執行以下指令，在主目錄執行建立一個鏈接：

$ cd ~

$ ln -s /opt/nvidia/deepstream/deepstream/samples ds5_samples

現在執行以下指令，看看 samples 里的目錄結構，對 DeepStream 范例能多一份總體觀：

$ tree -L 2 -d ds5_samples

下圖框處是本次實驗有關的部分：

本次實驗使用 deepstream-app 這個編譯好的工具，執行時只要在后面添加”-c 《配置文件》“即可，要做的任務就是修改配置文件的內容，便可以輕松地改變實現的功能。配置文件的范例存放在 config/deepstream-app 目錄下，有 9 個“source”帶頭的范例文件可以使用，根據文件名可以看出該文件的適用設備。

source8_1080p_dec_infer-resnet_tracker_tiled_display_fp16_nano.txt 這個配置文件比較適合 Jetson Nano 2GB 使用，先簡單分解一下文件名所代表的意義：

source8：有 8 個輸入源

1080p：輸入源的最高分辨率

dec：檢測器 detector 的縮寫，表示這個設定文件是做物件檢測功能

infer-resnet：使用 ResNet 這個神經網絡執行推理功能

tracker：啟用“物件追蹤”功能

tiled_display：啟用“并列顯示”功能

fp16：推理時的數據精度

nano：針對 Nano 設備

這些文件名只是比較有針對性地提供預設參數而已，里面的每一個參數都是可以任意修改的。為了方便后面的執行，因此建議將配置文件復制成一個比較短的文件名：

$ sudo chmod 777 -R ds5_samples

$ cd ds5_samples/configs/deepstream-app

$ cp source8_1080p_dec_infer-resnet_tracker_tiled_display_fp16_nano.txt myNano.txt

后面所有的修改在 myNano.txt 里面執行就可以。現在執行以下指令，看看會得到什么結果：

$ deepstream-app -c myNano.txt

第一次執行時要為神經網絡模型生成 TensorRT 加速引擎，所以需要幾分鐘時間去建立，出現 2x4 個并列顯示框。

下面是指令框顯示的個別推理性能，8 個框的總性能合計大約在 120FPS，這對 JetsonNano 2GB 來說是非常驚人的。

如果使用 NoMachine 遠程控制 Jetson Nano 2GB，可能會看不到顯示的畫面，這時請先按 Ctrl-C 退出執行，然后修改 myNano.txt 里面的［sink0］兩個參數，如下：

。。。。。

［sink0］

#type=5

type=2

#sync=1

sync=0

。。。。。

然后重新執行“deepstream-app -c myNano.txt”應該就能看到顯示的結果了。

這個標準演示一個較明顯的問題就是 8 個框的數據源是相同的，這是否存在不真實的部分？因此修改一下輸入來源的部分，調用從 DeepStream 與 VisionWorks 所提供的測試視頻來執行“多視頻”分析功能。

接下來在 myNano.txt 中做些小幅度的修改：

1. 為了讓顯示的尺寸更加合理化，修改［tiled-display］下面的 rows=2， columns=2

2. 以［source0］為范本，刪除不需要的參數，復制為［source1］、［source2］、［source3］

這里特別使用不同格式的視頻，包括.mp4、.h264、.avi等。存好修改內容后重新執行“deepstream-app -c myNano.txt”，就會看到四個不同視頻的推理結果，其中紅色的代表“Car”、藍色代表“Person”。

請自行查看一下命令框里，四組推理性能總和與前面八組推理性能的總合是否符合

玩轉 DeepStream 就是這么簡單，到目前為止完全沒有牽涉任何的代碼，只是修改一些參數就能實現多數據源的高性能識別，現在可以去向朋友炫耀了！

“目標追蹤（track）”功能是推理識別的后處理任務，為識別出的物件標上編號之后，就能進行更多樣化的后續操作，包括統計人流、動向分析、目標鎖定等等，這個功能需要相對復雜的算法來支撐。

DeepStream 已經將“目標追蹤”功能都封裝好，只需在配置文件中做些簡單處理，這就是下一篇文章要帶大家執行的任務。

編輯：jq