【模型推理】deepstream6.0|【模型推理】deepstream6.0 部署 yolov3 和 yolov4 教程【模型推理】deepstream6.0部署

? 欢迎关注我的公众号 [极智视界]，回复001获取Google编程规范
? O_o ? >_< ? o_O ? O_o ? ~_~ ? o_O
? 大家好，我是极智视界，本文介绍了使用 deepstream6.0 部署 yolov3 和 yolov4 的方法。
?Yolo 系列是工程中应用十分广泛的目标检测算法，特别是从 yolov3 开始，逐步的进化，到 yolov4、yolov5 等，工程的接受度越来越高。而 deepstream 是英伟达提出的一套加速深度学习落地的 pipeline 应用，那么当 deepstream 遇到 yolo，会擦出什么样的火花呢，让我们来看。
?关于 deepstream 的安装教程，可以查阅我之前写的几篇：《【经验分享】ubuntu 安装 deepstream6.0》、《【经验分享】ubuntu 安装 deepstream5.1》。
?先来看下 deepstream6.0 source 的目录结构：

apps
- apps-common
- audio_apps
- sample_apps：例程，如 deepstream-app、deepstream-test1...
gst-plugins：gstreamer 插件
include：头
libs：库
objectDetector_FasterRCNN：FasterRCNN 示例
objectDetector_SSD：SSD 示例
objectDetector_Yolo：YOLO 示例
tools: 日志相关

1、deepstream6.0 部署 yolov3 ? 通过上述的 objectDetector_Yolo 工程来跑 yolov3，在 objectDetector_Yolo 工程里主要关注以下几个模块：

nvdsinfer_custom_impl_Yolo：yolov3 工程实现代码；
- nvdsinfer_yolo_engine.cpp：解析模型、生成引擎
- nvdsparsebbox_Yolo.cpp：输出层的解析函数，解析目标检测框
- trt_utils.cpp 和 trt_utils.h：构造 TensorRT网络的工具类的接口和实现
- yolo.cpp 和 yolo.h：生成 yolo 引擎的接口和实现
- yoloPlugins.cpp 和 yoloPlugins.h：YoloLayerV3 and YoloLayerV3PluginCreator 的接口和实现
- kernels.cu：cuda核底层实现
config_infer_xxx_.txt：模型的配置；
deepstream_app_config_xxx.txt：Gstreamer nvinfer 插件的配置文件；
xxx.cfg、xxx.weights：模型文件；

?有以上这些就够了，下面开始。
1.1 下载模型文件
? deepstream6.0 SDK 中是没有 yolov3 的模型文件的，需要自行下载，给出传送。
?yolov3.cfg：https://github.com/pjreddie/d...；
? yolov3.weights：https://link.zhihu.com/?targe...；
?这里多说一句，如果你有 TensorRT 的 yolov3.engine 的话，就不需要原始模型文件了，如果没有 .engine 的话，其实会根据原始文件先生成 .engine。
1.2 配置 config_infer_primary_yolov3.txt

[property] gpu-id=0 net-scale-factor=0.0039215697906911373 #0=RGB, 1=BGR model-color-format=0 custom-network-config=yolov3.cfg model-file=yolov3.weights labelfile-path=labels.txt int8-calib-file=yolov3-calibration.table.trt7.0 ## 0=FP32, 1=INT8, 2=FP16 mode network-mode=1 num-detected-classes=80 gie-unique-id=1 network-type=0 is-classifier=0 cluster-mode=2 maintain-aspect-ratio=1 parse-bbox-func-name=NvDsInferParseCustomYoloV3 custom-lib-path=nvdsinfer_custom_impl_Yolo/libnvdsinfer_custom_impl_Yolo.so engine-create-func-name=NvDsInferYoloCudaEngineGet[class-attrs-all] nms-iou-threshold=0.3 threshold=0.7

1.3 配置 deepstream_app_config_yolov3.txt

[application] enable-perf-measurement=1 perf-measurement-interval-sec=5[tiled-display] enable=1 rows=1 columns=1 width=1280 height=720 gpu-id=0 nvbuf-memory-type=0[source0] enable=1 type=3 uri=file://../../samples/streams/sample_1080p_h264.mp4 num-sources=1 gpu-id=0 cudadec-memtype=0[sink0] enable=1 #Type - 1=FakeSink 2=EglSink 3=File type=2 sync=0 source-id=0 gpu-id=0 nvbuf-memory-type=0[osd] enable=1 gpu-id=0 border-width=1 text-size=15 text-color=1; 1; 1; 1; text-bg-color=0.3; 0.3; 0.3; 1 font=Serif show-clock=0 clock-x-offset=800 clock-y-offset=820 clock-text-size=12 clock-color=1; 0; 0; 0 nvbuf-memory-type=0[streammux] gpu-id=0 live-source=0 batch-size=1 batched-push-timeout=40000 width=1920 height=1080 enable-padding=0 nvbuf-memory-type=0[primary-gie] enable=1 gpu-id=0 #model-engine-file=model_b1_gpu0_int8.engine labelfile-path=labels.txt batch-size=1 bbox-border-color0=1; 0; 0; 1 bbox-border-color1=0; 1; 1; 1 bbox-border-color2=0; 0; 1; 1 bbox-border-color3=0; 1; 0; 1 interval=2 gie-unique-id=1 nvbuf-memory-type=0 config-file=config_infer_primary_yoloV3.txt[tracker] enable=1 tracker-width=640 tracker-height=384 ll-lib-file=/opt/nvidia/deepstream/deepstream-6.0/lib/libnvds_nvmultiobjecttracker.so ll-config-file=../../samples/configs/deepstream-app/config_tracker_NvDCF_perf.yml gpu-id=0 enable-batch-process=1 enable-past-frame=1 display-tracking-id=1[tests] file-loop=0

1.4 工程编译
?进入到 /opt/nvidia/deepstream/deepstream-6.0/sources/objectDetector_Yolo：

cd /opt/nvidia/deepstream/deepstream-6.0/sources/objectDetector_Yolo

?依次执行下面两条命令，编译生成 .so 文件：

export CUDA_VER=11.4# 设置与设备相同的CUDA版本

?或者在 /opt/nvidia/deepstream/deepstream-6.0/sources/objectDetector_Yolo/nvdsinfer_custom_impl_Yolo/Makefile 中修改：

【模型推理】deepstream6.0|【模型推理】deepstream6.0 部署 yolov3 和 yolov4 教程

文章图片

?然后执行编译

make -C nvdsinfer_custom_impl_Yolo

?编译后会生产动态库文件，生成了 libnvdsinfer_custom_impl_Yolo.so 动态库文件。
1.5 执行

deepstream-app -c deepstream_app_config_yoloV3.txt

【【模型推理】deepstream6.0|【模型推理】deepstream6.0 部署 yolov3 和 yolov4 教程】
?这里完成了 deepstream6.0 Yolov3 的部署。
2、deepstream6.0 部署 yolov4 ? 这里以不同的方式来部署一下 yolov4，即直接调用 TensorRT Engine，而不是从原始模型导入。
2.1 使用 darknet2onnx2TRT 生成 yolov4.engine
?下载 yolov4 darknet 原始权重，给出百度网盘传送：

https://pan.baidu.com/s/1dAGEW8cm-dqK14TbhhVetAExtraction code:dm5b

? clone 模型转换工程：

git clone https://github.com/Tianxiaomo/pytorch-YOLOv4.git Yolov42TRT

?开始模型转换：

cd Yolov42TRT# darknet2onnx python demo_darknet2onnx.py ./cfg/yolov4.cfg ./cfg/yolov4.weights ./data/dog.jpg 1# onnx2trt trtexec --onnx=./yolov4_1_3_608_608_static.onnx --fp16 --saveEngine=./yolov4.engine --device=0

?这样就会生成 yolov4.engine。
2.2 deepstream yolov4 推理工程配置
?clone deepstream yolov4 推理工程：

git clone https://github.com/NVIDIA-AI-IOT/yolov4_deepstream.gitcd yolov4_deepstream/deepstream_yolov4

?配置 config_infer_primary_yoloV4.txt：

[property] gpu-id=0 net-scale-factor=0.0039215697906911373 #0=RGB, 1=BGR model-color-format=0 model-engine-file=yolov4.engine labelfile-path=labels.txt batch-size=1 ## 0=FP32, 1=INT8, 2=FP16 mode network-mode=2 num-detected-classes=80 gie-unique-id=1 network-type=0 is-classifier=0 ## 0=Group Rectangles, 1=DBSCAN, 2=NMS, 3= DBSCAN+NMS Hybrid, 4 = None(No clustering) cluster-mode=2 maintain-aspect-ratio=1 parse-bbox-func-name=NvDsInferParseCustomYoloV4 custom-lib-path=nvdsinfer_custom_impl_Yolo/libnvdsinfer_custom_impl_Yolo.so[class-attrs-all] nms-iou-threshold=0.6 pre-cluster-threshold=0.4

?配置 deepstream_app_config_yoloV4.txt：

[application] enable-perf-measurement=1 perf-measurement-interval-sec=5[tiled-display] enable=0 rows=1 columns=1 width=1280 height=720 gpu-id=0 nvbuf-memory-type=0[source0] enable=1 type=3 uri=file:/opt/nvidia/deepstream/deepstream-6.0/samples/streams/sample_1080p_h264.mp4 num-sources=1 gpu-id=0 cudadec-memtype=0[sink0] enable=1 #Type - 1=FakeSink 2=EglSink 3=File type=3 sync=0 source-id=0 gpu-id=0 nvbuf-memory-type=0 container=1 codec=1 output-file=yolov4.mp4[osd] enable=1 gpu-id=0 border-width=1 text-size=12 text-color=1; 1; 1; 1; text-bg-color=0.3; 0.3; 0.3; 1 font=Serif show-clock=0 clock-x-offset=800 clock-y-offset=820 clock-text-size=12 clock-color=1; 0; 0; 0 nvbuf-memory-type=0[streammux] gpu-id=0 live-source=0 batch-size=1 batched-push-timeout=40000 width=1280 height=720 enable-padding=0 nvbuf-memory-type=0[primary-gie] enable=1 gpu-id=0 model-engine-file=yolov4.engine labelfile-path=labels.txt batch-size=1bbox-border-color0=1; 0; 0; 1 bbox-border-color1=0; 1; 1; 1 bbox-border-color2=0; 0; 1; 1 bbox-border-color3=0; 1; 0; 1 interval=0 gie-unique-id=1 nvbuf-memory-type=0 config-file=config_infer_primary_yoloV4.txt[tracker] enable=0 tracker-width=512 tracker-height=320 ll-lib-file=/opt/nvidia/deepstream/deepstream-5.0/lib/libnvds_mot_klt.so[tests] file-loop=0

?把 2.1 转换生成的 yolov4.engine 拷贝到 /opt/nvidia/deepstream/deepstream-6.0/sources/yolov4_deepstream。
2.3 工程编译
?进入到 /opt/nvidia/deepstream/deepstream-6.0/sources/yolov4_deepstream：