前面介绍过使用 deepstream-app 工具，启用多个视频进行车辆与行人的识别，并且启动“追踪”功能进行物件追踪的高级功能，接下来就教大家如何在 deepstream-app 里调用 USB 与 CSI 摄像头，并且与先前的视频同时启用来进行物件识别的应用。
这里使用 Jetson Nano 2GB 作为实验平台，上面安装一个 CSI 摄像头与一个 USB 摄像头。
在调用摄像头之前，建议先确认一下摄像头的位置与分辨率等信息，因为 DeepStream 会检查设定文件里的分辨率是否符合要求。使用 v4l2-utils 工具包来检查摄像头的信息，请按照以下步骤进行安装，并且检测摄像头分辨率：
下面显示的信息，表示目前接上一个 imx-219 的 CSI 摄像头，以及一个 USB 2.0摄像头。
接下执行以下指令，查看个别摄像头可使用的分辨率为多少：
下面显示的信息，表示CSI摄像头（device=0）能支持3264x2464、3264x1848、1920x080、1640x1232、1280x720 等 5 种分辨率
下面显示的信息，表示 USB 摄像头（device=1）能支持 640x480、352x288、320x240、176x144、160x120 等 5 种分辨率
接下来看看在DeepStream路径（/opt/nvidia/deepstream/deepstream）的samples/configs/deepstream-app 下面有个 source2\_csi\_usb\_dec\_infer\_resnet\_int8.txt 文件，这是专门以 CSI 与 USB 摄像头为输入源的配置，里面可以看到以下关于摄像头设置的内容：
在[source1]下面的参数有点小问题，用粗体标识出来，因为我们装载的USB摄像头最大分辨率为640x480，因此这里的camera-width与camera-height都必须修改为摄像头所支持的分辨率，此外就是最下面的camera-v4l2-dev-node的部分，前面检查出来这台Jetson Nano 2GB上的USB摄像头编号为“1”，请按照实际状况修改。
将上面三地方修改完后，就可以直接执行以下指令去启动摄像头：
由于配置文件里面原本设定使用INT8的精度去做推理，但是Jetson Nano 2GB并不支持，因此DeepStream自动切换成FP16精度，这需要重新生成对应的TensorRT引擎，会花点时间。
执行之后就能看的画面上出现类似以下的画面，上下分别是CSI摄像头与USB摄像头的显示，由于选择的模型是检测“Car”与“Person”的，所以在这里没有检测到任何目标物件。
另外看一下先前下指令的终端上，显示在Jetson Nano 2GB上的执行性能如下截屏
两个摄像头都能达到18FPS左右性能，总性能在36FPS左右，已经非常接近实时识别的速度，非常好。您可以试试旋转摄像头或者将手放在前面晃一晃，看看延迟状况如何？应该是很流畅的。
接下来，再添加两个视频文件一起进来执行检测，我们以系统上提供的视频文件做示范：
/opt/nvidia/deepstream/deepstream/samples/streams/sample\_1080p\_h264.mp4
- /usr/share/visionworks/sources/data/pedestrians.h264
将这两个的设定添加到文件里的[source2]与[source3]，内容如下：
最后调整文件最开始的“[tiled-display]”下面，将“columns=”的值改成“2”，存档后重新执行下面指令：
现在可以看到如下图，两个摄像头与两个视频总共4个输入源同时执行的推理的功能。
接下来看看此时的性能如何？（如下图）居然每个输入源只剩下8FPS的性能，总性能在32FPS左右，似乎有点慢了。这个问题有补救的办法吗？
实时上问题出现在[primary-gie]使用的模型上，因为Jetson Nano（含2GB）的计算资源较为缺乏，因此DeepStream专门为Nano提供resnet10.caffemodel\_b8\_gpu0\_fp16.engine特调版加速引擎，存放在“../../models/Primary\_Detector\_Nano”路径下，这是第一个需要做修改的地方：
- model-engine-file=../../models/Primary\_Detector\_Nano/resnet10.caffemodel\_b8\_gpu0\_fp16.engine
其次就是下面的“config-file”置换成支持Nano版本的配置文件，如下：
- config-file=config\_infer\_primary\_nano.txt
修改完使用的模型之后，重新执行deepstream-app进行物件检测，发现每个数据源的识别性能，立即从原本的8FPS提升到14FPS，也就是总性能从32FPS上升到56FPS左右，提升大约1.8倍。到这里否已经满足样的性能呢？
如果还觉得不满足的时候，那就继续看下去，还有大招在后面。只要我们将[primary-gie]下面的“interval”参数设为“1”，这时候再执行看看性能如何？
下面的截屏是调整 interval 参数之后的性能，有没有吓一跳？瞬间提升一倍。
经过三步骤调整之后，我们在Jetson Nano 2GB上的4个数据源，识别性能都超过27FPS，总性能合计超过100FPS，并且维持识别效果。
现在是不是对Jetson Nano 2GB的性能感到非常满意了！
