技术标签: 深度学习 # deepstream
项目路径:opt\nvidia\deepstream\deepstream-5.0\sources\apps\sample_apps\deepstream-test1
这个项目是一个Deepstream中一个简单的demo, 用来教我们如何在pipeline中使用各种DeepStream SDK elements从而在流数据中得到一些有意义的信息。
Compilation Steps:
$ cd apps/deepstream-test1/
$ make
$ ./deepstream-test1-app <h264_elementary_stream>
# 样例
$ ./deepstream-test1-app /opt/nvidia/deepstream/deepstream-5.0/samples/streams/sample_720p.h264
上图简单介绍了各种element的用法,下面着重介绍下DeepStream SDK中nvinfer这个元素。
Deepstream通过nvinfer的实例来使用TensorRT的API推理加速神经网络模型。在应用程序中我们需要正确的配置nvinfer实例参数通过一个config文件。
/* Set all the necessary properties of the nvinfer element,
* the necessary ones are : */
# 在程序中我们通过如下代码指定nvinfer实例的配置文件
g_object_set (G_OBJECT (pgie),
"config-file-path", "dstest1_pgie_config.txt", NULL);
如下我们对该配置文件中一些重要的参数进行解析
[property]
gpu-id=0
net-scale-factor=0.0039215697906911373
# ------------- caffel model -----------------------
model-file=../../../../samples/models/Primary_Detector/resnet10.caffemodel
proto-file=../../../../samples/models/Primary_Detector/resnet10.prototxt
# tensorrt eninge路径,当我们在特定平台上生成engine后,我们可以通过设置这个参数来指定
#生成engine路径,直接进行推理不需要再次编译生成engine
model-engine-file=../../../../samples/models/Primary_Detector/resnet10.caffemodel_b1_gpu0_int8.engine
# -----------------------------------------------------------------------
# 模型类别文件
labelfile-path=../../../../samples/models/Primary_Detector/labels.txt
# ----------------- only int8 ----------------------------
# 如果平台能进行INT8推理需要指定该参数
int8-calib-file=../../../../samples/models/Primary_Detector/cal_trt.bin
# ----------------------------------
force-implicit-batch-dim=1
batch-size=1
# 网络运行精度设置
# 0 - FP32 1 - INT8 2 - FP16(Jetson TX2)
network-mode=1
# 模型检测类别个数
num-detected-classes=4
interval=0
gie-unique-id=1
# -------------- for caffe ----------
output-blob-names=conv2d_bbox;conv2d_cov/Sigmoid
# ---------------------------------------
#scaling-filter=0
#scaling-compute-hw=0
[class-attrs-all]
pre-cluster-threshold=0.2
eps=0.2
group-threshold=1
以下是一些通用参数的解析
# Following properties are mandatory when engine files are not specified:
# 当网络的engine没有生成之前,以下这些参数是必须指定的(强制性的),
# int8-calib-file(Only in INT8) # 如果运行精度为INT8,必须指定
# --------------- network从caffe模型解析得到下面参数必须指定 --------------------
# Caffemodel mandatory properties: model-file, proto-file, output-blob-names
# ----------------------------------------------------------------------------
# ----------------network从TensorFlow模型解析得到下面参数必须指定 -------------
# UFF: uff-file, input-dims, uff-input-blob-name, output-blob-names
# --------------------------------------------------------------------------
# --------------network从ONNX模型解析得到下面参数必须指定---------------------
# ONNX: onnx-file
#--------------------------------------------------------------------------
nvinfer输出数据在通过nvosd元素显示之前,我们可以做一些处理。通过对nvosd元素的sink pad添加一个probe实现bounding box类别显示以及视频左上方各类别的计数。
// osd_sink_pad_bufer_prob will extract metadata received on OSD sink pad
// and update params for drawing rectangle, object information etc.
static GstPadProbeReturn
osd_sink_pad_bufer_prob(GstPad* pad, GstPadProbeInfo* info, gpointer u_data)
{
GstBuffer* buf = (GstBuffer*) info->data;
guint num_rects = 0;
NvDsObjectMeta* obj_meta= NULL;
guint vehicle_count = 0;
guint person_count = 0;
NvDsMetaList* l_frame = NULL;
NvDsMetaList* l_obj = NULL;
NvDsDisplayMeta* display_meta = NULL;
NvDsBatchMeta* batch_meta = gst_buffer_get_nvds_batch_meta(buf);
// frame information analysis
for(l_frame = batch_meta->frame_meta_list; l_frame != NULL; l_frame = l_frame->next)
{
NvDsFrameMeta* frame_meta = (NvDsFrameMeta*) (l_frame->data);
int offset = 0;
// objects in each frame
for(l_obj = frame_meta->obj_meta_list; l_obj != NULL; l_obj = l_obj->next)
{
obj_meta = (NvDsObjectMeta*)(l_obj->data);
// each object information
if(obj_meta->class_id == PGIE_CLASS_ID_VEHICLE)
{
vehicle_count++;
num_rects++;
}
if(obj_meta->class_id == PGIE_CLASS_ID_PERSON)
{
person_count++;
num_rects++;
}
}
display_meta = nvds_acquire_display_meta_from_pool(batch_meta);
NVOSD_TextParams* txt_params = &display_meta->text_params[0];
display_meta->num_labels = 1;
txt_params->display_text = g_malloc0(MAX_DISPLAY_LEN);
offset = snprintf(txt_params->display_text, MAX_DISPLAY_LEN, "Person = %d ", person_count);
offset = snprintf(txt_params->display_text + offset, MAX_DISPLAY_LEN, "Vehicle = %d ", vehicle_count);
/* Now set the offsets where the string should appear */
txt_params->x_offset = 10;
txt_params->y_offset = 12;
/* Font , font-color and font-size */
txt_params->font_params.font_name = "Serif";
txt_params->font_params.font_size = 10;
txt_params->font_params.font_color.red = 1.0;
txt_params->font_params.font_color.green = 1.0;
txt_params->font_params.font_color.blue = 1.0;
txt_params->font_params.font_color.alpha = 1.0;
/* Text background color */
txt_params->set_bg_clr = 1;
txt_params->text_bg_clr.red = 0.0;
txt_params->text_bg_clr.green = 0.0;
txt_params->text_bg_clr.blue = 0.0;
txt_params->text_bg_clr.alpha = 1.0;
nvds_add_display_meta_to_frame(frame_meta, display_meta);
}
g_print ("Frame Number = %d Number of objects = %d "
"Vehicle Count = %d Person Count = %d\n",
frame_number, num_rects, vehicle_count, person_count);
frame_number++;
return GST_PAD_PROBE_OK;
}
至此, 我对deepstream的第一个demo进行了肤浅的解析,如果存在什么错误希望指出.截图保命!!!!!
文章浏览阅读645次。这个肯定是末尾的IDAT了,因为IDAT必须要满了才会开始一下个IDAT,这个明显就是末尾的IDAT了。,对应下面的create_head()代码。,对应下面的create_tail()代码。不要考虑爆破,我已经试了一下,太多情况了。题目来源:UNCTF。_攻防世界困难模式攻略图文
文章浏览阅读2.9k次,点赞3次,收藏10次。偶尔会用到,记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录,执行导库操作 导出语句:./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释: cwy_init/init_123..._达梦数据库导入导出
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件,可以删掉不需要要到的jsp,asp,asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件,在页面引入js文件:<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
文章浏览阅读2.3k次,点赞6次,收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA,我们的数据线就会变为10101010,通过修改不同的内容,即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平,后半周期为低电平的状态。在SPI的通信模式中,CPHA配置会影响该实验,下图展示了不同采样位置的SPI时序图[1]。CPOL = 0,CPHA = 1:CLK空闲状态 = 低电平,数据在下降沿采样,并在上升沿移出CPOL = 0,CPHA = 0:CLK空闲状态 = 低电平,数据在上升沿采样,并在下降沿移出。_stm32g431cbu6
文章浏览阅读1.2k次,点赞2次,收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决?5.如果在数据链路层不进行帧定界,会发生什么问题?6.PPP协议的主要特点是什么?为什么PPP不使用帧的编号?PPP适用于什么情况?为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民,未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
文章浏览阅读304次。Thinkpad X250笔记本电脑,装的是FreeBSD,进入BIOS修改虚拟化配置(其后可能是误设置了安全开机),保存退出后系统无法启动,显示:secure boot failed ,把自己惊出一身冷汗,因为这台笔记本刚好还没开始做备份.....根据错误提示,到bios里面去找相关配置,在Security里面找到了Secure Boot选项,发现果然被设置为Enabled,将其修改为Disabled ,再开机,终于正常启动了。_安装完系统提示secureboot failure
文章浏览阅读10w+次,点赞93次,收藏352次。1、用strtok函数进行字符串分割原型: char *strtok(char *str, const char *delim);功能:分解字符串为一组字符串。参数说明:str为要分解的字符串,delim为分隔符字符串。返回值:从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它:strtok函数线程不安全,可以使用strtok_r替代。示例://借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯:无论如何都要记日记。他的日记有个与众不同的地方,他从不注明年月日,而是用一个整数代替,比如:4210后来人们知道,那个整数就是日期,它表示那一天是高斯出生后的第几天。这或许也是个好习惯,它时时刻刻提醒着主人:日子又过去一天,还有多少时光可以用于浪费呢?高斯出生于:1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
文章浏览阅读851次,点赞17次,收藏22次。摘要:本文利用供需算法对核极限学习机(KELM)进行优化,并用于分类。
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功,进入系统4、测试如下:二、MySQL弱密码登录:1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功,进入MySQL系统3、测试效果:三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南,从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文,您将能够掌握Python编程的核心概念,为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf