在高分辨率輸入中檢測物體是計算機視覺中的一個眾所周知的問題。當感興趣的是框架的某個區(qū)域時，不需要對整個框架進行推理。解決這個問題有兩種方法：

使用具有高輸入分辨率的大型模型。

將大圖像分為塊，并將較小的模型應用于每個塊。

在許多方面，第一種方法是困難的。訓練輸入量大的模型通常需要更大的主干，使整個模型更笨重。訓練或部署這樣的模型也需要更多的計算資源。較大的模型被認為不適合在較小的設備上部署邊緣。

第二種方法，將整個圖像劃分為塊，并對每個塊應用較小的模型，具有明顯的優(yōu)勢。使用較小的模型，因此在訓練和推理中需要較小的計算能力。將模型應用于高分辨率輸入不需要再培訓。較小的模型也被認為有利于邊緣部署。

在這篇文章中，我們將討論如何 NVIDIA DeepStream 可以幫助將較小的模型應用于高分辨率輸入，以檢測特定的幀區(qū)域。

視頻監(jiān)控系統(tǒng)概述

視頻監(jiān)控系統(tǒng)用于解決各種問題，例如識別行人、車輛和汽車。如今， 4K 和 8K 攝像機用于捕捉場景細節(jié)。軍方將航空攝影用于各種目的，這也涵蓋了大片區(qū)域。

隨著分辨率的增加，像素數(shù)呈指數(shù)增長。處理如此大量的像素需要大量的計算能力，尤其是使用深度神經網絡。

基于在建模過程中選擇的輸入維數(shù)，深度神經網絡對固定形狀的輸入進行操作。這種固定大小的輸入也稱為感受野模型的。通常，在檢測和分割網絡中，感受野從 256 × 256 到 1280 × 1280 不等。

您可能會發(fā)現(xiàn)感興趣的區(qū)域是一個小區(qū)域，而不是整個幀。在這種情況下，如果檢測應用于整個幀，則不必要地使用計算資源。 DeepStream NvDsPreprocess 插件使您能夠在框架的特定區(qū)域上進行計算。

DeepStream NvDsPreprocessing 插件

然而，當平鋪應用于圖像或幀時，尤其是在視頻饋送上，您需要在推理管道中增加一個元素。這樣的元素預計將執(zhí)行可按流配置的分塊機制、分塊推理以及將多個分塊的推理組合到單個幀上。

有趣的是， DeepStream 中提供了所有這些功能 Gst-NvDsPreprocess 可自定義插件。它提供了一個用于預處理輸入流的自定義庫接口。每個流都有自己的預處理要求。

默認插件實現(xiàn)提供以下功能：

具有預定義感興趣區(qū)域（ ROI ）或分片的流根據推理的網絡要求進行縮放和格式轉換。每流 ROI 在配置文件中指定。

它從縮放和轉換的 ROI 中準備一個原始張量，并通過用戶元數(shù)據傳遞給下游插件。下游插件可以訪問該張量進行推理。

DeepStream NvDsPreprocessing 插件

下一步是修改現(xiàn)有代碼以支持平鋪。

使用 NvdsPreprocessing 插件

定義管道內的預處理元素：

preprocess = Gst.ElementFactory.make("nvdspreprocess", "preprocess-plugin")

NvDsPreprocess需要一個配置文件作為輸入：

preprocess.set_property("config-file", "config_preprocess.txt")

將預處理元素添加到管道：

pipeline.add(preprocess)

將元素鏈接到管道：

streammux.link(preprocess)
preprocess.link(pgie)

讓 NvdsPreprocess 插件進行預處理

推斷是通過NvDsInfer插件完成的，該插件具有幀預處理功能。

當您在NvDsInfer之前使用NvdsPreprocess插件時，您希望預處理（縮放或格式轉換）由 NvdsPreprocess而不是NvDsInfer完成。為此，請將NvDsInfer的input-tensor-meta屬性設置為 true 。這使得NvdsPreprocess可以進行預處理，并使用附加為元數(shù)據的預處理輸入張量，而不是NvDsInfer本身內部的預處理。

將Gst-nvdspreprocess功能合并到現(xiàn)有管道中需要以下步驟。

定義nvdspreprocess插件并將其添加到管道：

preprocess = Gst.ElementFactory.make("nvdspreprocess", "preprocess-plugin")
pipeline.add(preprocess)

將NvDsInfer的input-tensor-meta屬性設置為 true ：

pgie.set_property("input-tensor-meta", True)

定義nvdspreprocess插件的配置文件屬性：

preprocess.set_property("config-file", "config_preprocess.txt")

將預處理插件鏈接到主推理機（pgie）之前：

streammux.link(preprocess)
preprocess.link(pgie)

創(chuàng)建配置文件

Gst-nvdspreprocess配置文件使用密鑰文件格式。有關更多信息，請參閱 Python 和 C 源代碼中的config_preprocess.txt。

［property］組配置插件的一般行為。

［group-《id》］組使用自定義庫中的src-id值和custom-input-transformation-function為一組流配置 ROI 、 TILE 和 ull 幀。

［user-configs］組配置自定義庫所需的參數(shù)，自定義庫通過《string， string》的映射作為鍵值對傳遞給自定義庫。然后，自定義庫必須相應地解析這些值。

所需的最小值config_preprocess.txt類似于以下代碼示例：

[property]
enable=1
target-unique-ids=1 # 0=NCHW, 1=NHWC, 2=CUSTOM
network-input-order=0 network-input-order=0
processing-width=960
processing-height=544
scaling-buf-pool-size=6
tensor-buf-pool-size=6 # tensor shape based on network-input-order
network-input-shape=12;3;544;960 # 0=RGB, 1=BGR, 2=GRAY network-color-format=0 # 0=FP32, 1=UINT8, 2=INT8, 3=UINT32, 4=INT32, 5=FP16
tensor-data-type=0
tensor-name=input_1 # 0=NVBUF_MEM_DEFAULT 1=NVBUF_MEM_CUDA_PINNED 2=NVBUF_MEM_CUDA_DEVICE 3=NVBUF_MEM_CUDA_UNIFIED
scaling-pool-memory-type=0 # 0=NvBufSurfTransformCompute_Default 1=NvBufSurfTransformCompute_GPU 2=NvBufSurfTransformCompute_VIC
scaling-pool-compute-hw=0 # Scaling Interpolation method # 0=NvBufSurfTransformInter_Nearest 1=NvBufSurfTransformInter_Bilinear 2=NvBufSurfTransformInter_Algo1 # 3=NvBufSurfTransformInter_Algo2 4=NvBufSurfTransformInter_Algo3 5=NvBufSurfTransformInter_Algo4 # 6=NvBufSurfTransformInter_Default
scaling-filter=0
custom-lib-path=/opt/nvidia/deepstream/deepstream/lib/gst-plugins/libcustom2d_preprocess.so
custom-tensor-preparation-function=CustomTensorPreparation [user-configs]
pixel-normalization-factor=0.003921568
#mean-file=
#offsets= [group-0]
src-ids=0;1;2;3
custom-input-transformation-function=CustomAsyncTransformation
process-on-roi=1
roi-params-src-0=0;540;900;500;960;0;900;500;0;0;540;900;
roi-params-src-1=0;540;900;500;960;0;900;500;0;0;540;900;
roi-params-src-2=0;540;900;500;960;0;900;500;0;0;540;900;
roi-params-src-3=0;540;900;500;960;0;900;500;0;0;540;900;

Processing-width和processing-height是指切片在整個幀上的寬度和高度。

對于network-input-shape，當前配置文件配置為最多運行 12 個 ROI 。要增加 ROI 計數(shù)，請將第一維度增加到所需數(shù)量，例如network-input-shape=12;3;544;960。

在當前配置文件config-preprocess.txt中，每個源有三個 ROI ，所有四個源總共有 12 個 ROI 。所有源的總 ROI 不得超過network-input-shape參數(shù)中指定的第一個維度。

Roi-params-src-《id》表示source-《id》的 III 坐標。如果啟用了process-on-roi，則為每個 ROI 指定定義 ROI 的left;top;width;height。Gst-nvdspreprocess沒有將重疊塊中的對象檢測和計數(shù)結合起來。

密碼

C 代碼可從/ opt / NVIDIA / deepstream / deepstream-6.0 / source / app / sample _ app / deepstream-preprocess-test 下載。

Python 代碼可從 NVIDIA-AI-IOT/deepstream_python_apps github 回購。

后果

Gst-nvdspreprocess允許對視頻的特定部分（磁貼或感興趣區(qū)域）應用推理。使用Gst-nvdspreprocess，可以在單個幀上指定一個或多個平鋪。

以下是在整個幀上應用yolov4與在磁貼上應用yolov4時的性能指標。通過將流的數(shù)量增加到解碼器或計算飽和點來收集性能指標，并且進一步增加流不會顯示性能增益。

1080p 的視頻分辨率用于 NVIDIA V100 GPU 的性能基準。考慮性能和磁貼數(shù)量之間的權衡，因為放置太多的磁貼會增加計算需求。

使用NvDsPreprocess平鋪有助于對視頻中需要的部分進行選擇性推斷。例如，在圖 1 中，推理只能在人行道上使用，而不能在整個框架上使用。

GST-NVDSAnalytics 對nvinfer（主檢測器）和nvtracker附加的元數(shù)據執(zhí)行分析。Gst-nvdsanalytics可應用于瓷磚，用于 ROI 過濾、過度擁擠檢測、方向檢測和線交叉。

關于作者

Sunil Patel 作為一名深入學習的數(shù)據科學家為 NVIDIA 工作。他的專長包括開發(fā)NVIDIA 平臺上的智能視頻分析和會話人工智能的高度可擴展的人工智能解決方案。 Sunil 主要關注應用程序擴展和性能優(yōu)化。他畢業(yè)于印度阿拉哈巴德信息技術學院，獲得技術碩士學位。

Alvin Clark 是 DeepStream 的產品營銷經理。阿爾文的職業(yè)生涯始于設計工程師，然后轉向技術銷售和市場營銷。他曾與多個行業(yè)的客戶合作，應用范圍從衛(wèi)星系統(tǒng)、外科機器人到深海潛水器。阿爾文持有圣地亞哥加利福尼亞大學的工程學學位，目前正在喬治亞理工大學攻讀碩士學位。

審核編輯：郭婷