部署到 DeepStream 以进行分类 TF1/TF2/PyTorch

您训练的深度学习和计算机视觉模型可以部署在边缘设备上，例如 Jetson Xavier 或 Jetson Nano、独立 GPU 或 NVIDIA GPU 云端。 TAO 旨在与 DeepStream SDK 集成，因此使用 TAO 训练的模型可以与 DeepStream SDK 开箱即用。

DeepStream SDK 是一种流分析工具包，可加速构建基于 AI 的视频分析应用程序。 本节将介绍如何将您训练的模型部署到 DeepStream SDK。

要将 TAO 训练的模型部署到 DeepStream，我们有两种选择：

• 选项 1：将 .etlt 模型直接集成到 DeepStream 应用程序中。 模型文件由导出生成。

• 选项 2：使用 TAO Deploy 生成特定于设备的优化 TensorRT 引擎。 生成的 TensorRT 引擎文件也可以被 DeepStream 摄取。

• 选项 3（已弃用，适用于 x86 设备）： 使用 TAO Converter 生成特定于设备的优化 TensorRT 引擎。

特定于机器的优化是引擎创建过程的一部分完成的，因此应为每个环境和硬件配置生成不同的引擎。 如果推理环境的 TensorRT 或 CUDA 库已更新（包括次要版本更新），或者如果生成了新模型，则需要生成新引擎。 不支持运行使用不同版本的 TensorRT 和 CUDA 生成的引擎，并且会导致影响推理速度、准确性和稳定性的未知行为，或者可能完全无法运行。

选项 1 非常简单直接。 .etlt 文件和校准缓存由 DeepStream 直接使用。 DeepStream 将自动生成 TensorRT 引擎文件，然后运行推理。 TensorRT 引擎生成可能需要一些时间，具体取决于模型的大小和硬件类型。

引擎生成可以提前完成，使用选项 2：TAO Deploy 用于将 .etlt 文件转换为 TensorRT；然后将此文件直接提供给 DeepStream。 TAO Deploy 工作流程类似于 TAO Converter，后者已从 TAO 4.0.x 版本开始弃用，但仍是部署到 Jetson 设备所必需的。

请参阅导出模型部分，了解有关如何导出 TAO 模型的更多详细信息。

为了将模型与 DeepStream 集成，您需要以下内容：

• DeepStream SDK。 DeepStream 的安装说明在 DeepStream 开发指南中提供。

• 导出的 .onnx 模型文件和可选的 INT8 精度校准缓存

• labels.txt 文件，其中包含类别的标签，标签顺序与网络生成输出的顺序一致。

• 示例 config_infer_*.txt 文件，用于配置 DeepStream 中的 nvinfer 元素。 nvinfer 元素处理与 DeepStream 中的 TensorRT 优化和引擎创建相关的所有内容。

DeepStream SDK 附带一个端到端参考应用程序，该应用程序是完全可配置的。 您可以配置输入源、推理模型和输出接收器。 该应用程序需要一个主要对象检测模型，然后是一个可选的辅助分类模型。 参考应用程序安装为 deepstream-app。 下图显示了参考应用程序的架构。

此应用程序通常使用两个或多个配置文件。 在安装目录中，配置文件位于 samples/configs/deepstream-app 或 sample/configs/tlt_pretrained_models 中。 主配置文件配置上述管道中的所有高级参数，设置输入源和分辨率、推理数量、跟踪器和输出接收器。 支持配置文件用于每个单独的推理引擎。 推理特定的配置文件用于指定模型、推理分辨率、批量大小、类别数量和其他自定义项。 主配置文件将调用所有支持配置文件。 以下是 samples/configs/deepstream-app 中的一些参考配置文件：

• source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt：主配置文件

• config_infer_primary.txt：上述管道中主检测器的支持配置文件

• config_infer_secondary_*.txt：上述管道中辅助分类器的支持配置文件

deepstream-app 仅适用于主配置文件。 此文件对于所有模型很可能保持不变，可以直接从 DeepStream SDK 中使用，几乎无需更改。 您只需要修改或创建 config_infer_primary.txt 和 config_infer_secondary_*.txt。

集成分类模型

请参阅导出模型，了解有关如何导出 TAO 模型的更多详细信息。 生成模型后，还需要两个额外的文件：

1. 标签文件

2. DeepStream 配置文件

标签文件

标签文件是一个文本文件，其中包含 TAO 模型训练用于分类的类别的名称。 类别列表的顺序必须与模型预测输出的顺序匹配。 此顺序可以从 TAO 生成的 classmap.json 文件中推断出来。 此文件是一个简单的字典，其中包含“class_name”到“index map”。 例如，在 TAO 软件包中包含的示例分类示例笔记本文件中，为 Pascal Visual Object Classes (VOC) 生成的 classmap.json 文件将如下所示：

            

            
{"sheep": 16,"horse": 12,"bicycle": 1, "aeroplane": 0, "cow": 9,
 "sofa": 17, "bus": 5, "dog": 11, "cat": 7, "person": 14, "train": 18,
 "diningtable": 10, "bottle": 4, "car": 6, "pottedplant": 15,
 "tvmonitor": 19, "chair": 8, "bird": 2, "boat": 3, "motorbike": 13}
        

第 0 个索引对应于 aeroplane，第 1 个索引对应于 bicycle，依此类推，直到 19，对应于 tvmonitor。 以下是一个示例 classification_labels.txt 文件，按索引顺序排列：

            

            
aeroplane;bicycle;bird;boat;bottle;bus;....;tvmonitor
        

DeepStream 配置文件

视频分析的典型用例是首先进行对象检测，然后裁剪检测到的对象并将其进一步发送以进行分类。 deepstream-app 支持此功能，并且可以在上面看到应用程序架构。 例如，要对道路上的汽车模型进行分类，首先需要检测帧中的所有汽车。 完成检测后，您将对裁剪后的汽车图像执行分类。 在示例 DeepStream 应用程序中，分类器配置为主要检测之后的辅助推理引擎。 如果配置正确，deepstream-app 将自动裁剪检测到的图像并将帧发送到辅助分类器。 config_infer_secondary_*.txt 用于配置分类模型。

选项 1：将模型 (.onnx) 直接集成到 DeepStream 应用程序中。 对于此选项，您需要在配置文件中添加以下参数。 int8-calib-file 仅在 INT8 精度时才需要。

            

            
onnx-file=<TAO exported .onnx>
int8-calib-file=<Calibration cache file>
        

从 TAO 5.0.0 开始，.etlt 已弃用。 要将 .etlt 直接集成到 DeepStream 应用程序中，您需要在配置文件中使用以下参数。

            

            
tlt-encoded-model=<TAO exported .etlt>
tlt-model-key=<Model export key>
int8-calib-file=<Calibration cache file>
        

选项 2：将 TensorRT 引擎文件与 DeepStream 应用程序集成。

1. 使用 TAO Deploy 生成特定于设备的 TensorRT 引擎。

2. 生成引擎文件后，修改以下参数以将此引擎与 DeepStream 一起使用：

   复制

   已复制！

               
   
               
   model-engine-file=<PATH to generated TensorRT engine>
           

所有其他参数在两种方法之间是通用的。 必须根据训练规范文件中的 preprocessing_mode 更新 net-scale-factor、offsets 和 model-color-format 参数。

使用以下内容添加上面生成的标签文件：

            

            
labelfile-path=<Classification labels>
        

对于所有选项，请参阅以下配置文件。 要了解有关所有参数的更多信息，请参阅 DeepStream 开发指南。

            

            
[property]
gpu-id=0
# preprocessing parameters
net-scale-factor=1.0
offsets=103.939;116.779;123.68
model-color-format=1
batch-size=30

# Model specific paths. These need to be updated for every classification model.
int8-calib-file=<Path to optional INT8 calibration cache>
labelfile-path=<Path to classification_labels.txt>
onnx-file=<Path to Classification onnx model>

## 0=FP32, 1=INT8, 2=FP16 mode
network-mode=0
# process-mode: 2 - inferences on crops from primary detector, 1 - inferences on whole frame
process-mode=2
interval=0
network-type=1 # defines that the model is a classifier.
gie-unique-id=1
classifier-threshold=0.2