Deepstream6.0-python 入门 - Yolov5客制化

Deepstream6.0-python 入门 - Yolov5客制化

前言

中文网上关于deepstream-python api 的文章实在太少了，因此想力所能及分享一点踩过的坑和经验。

预备

• deepstream 官方python项目
• tensorrtx for yolo
• 示例代码
  官方的python项目需要进行一定的编译-绑定操作，详细的步骤以后有空会补上。
  由于deepstream是英伟达家的，所以对自己的TensorRT引擎有很好的支持。以后有空也会写关于TensorRT的相关文章。

结构

官方其实在SDK的sources/objectDetector_Yolo目录下是有yolo的示例的，但是由于其都是v3，v4版本的，v5需要我们自己去下载权重并序列化。官方的cpp示例其实很清楚了，一个客制化的应用结构应该如下：

1. 主程序。官方的deepstream-app其实是编译后的可执行，其cpp源代码可以在sources/apps/sample_apps/deepstream-app中找到。而官方运行的deepstream_app_config_yolo*.txt其实是告诉deepstream-app：我的管道长啥样怎么连。由于咱们要自己写python脚本，所以并不需要这个管道配置文件了(自食其力)。

2. 引擎/推理器配置文件。在创建nvinfer管道组件后，需要指定对应的配置文件。对于yolo来说，由于其预处理、类别都没变，所以基本不需要啥变动（如果你是用自己的数据集训练的，需要更改对应的类别数和标签文件）。本文不讨论INT8量化。

3. 标签文件。略。

4. nvdsinfer_custom_impl_Yolo。
   如果你是提前训练好的TensorRT引擎，那么核心文件只需要nvdsparsebbox_Yolo.cpp和他相关依赖就行了。
   nvdsparsebbox_Yolo.cpp deepstream 是基于Gstreamer开发的应用，因此遵循Gstreamer的流程。视频以buffer的形式进入引擎进行推理，随后以buffer的形式向下传去。那么不同的模型不同的引擎（甚至同一个模型不同的引擎）都有不同的输出层，而这个程序/库就是告诉pipeline怎么解析这个buffer的。以tensorrtx生成的yolov5为例，由它推理出的buffer只有一层，第一个数据output[0]为整个层所包含的数据量，而后的数据遵循4个坐标-置信度-标签的格式。GitHub上大多数deepstream-YoloV5的cpp还采用了nms来处理数据。

5. 引擎文件和生成引擎时带的动态链接库。这个库的作用是解析引擎输出结果并进行筛选。

使用步骤

在预备完成后。

1. 编译nvdsinfer_custom_impl_Yolo生成动态链接库。
2. 检查/修改配置文件中的路径。
3. 通过LD_PRELOAD来预加载动态连接库或者在代码中用ctypes.cdll.LoadLibrary。
4. 运行程序。

运行