很多人惊艳于 deepstream-app 里面那个可以同时检测到车子的颜色、品牌、种类的实验，这的确是个非常亮眼的应用，在开发包范例中的 deepstream-test2 就是这项功能的范例代码，同样是以 test1 为基础，维持相同的视频文件输入与显示器输出的部分，只修改“推理计算（nvinfer）”的部分。
本文的内容就是开始涉及到 DeepStream 推理计算的组合应用，在 test1 系列中使用单一的 4 类检测器是非常简单的，当然这种使用的比例会是最高的，因为大部分的应用都是针对性，包括口罩识别、人/车/路标识别、水果识别等等。
但是有很多特殊的应用并非单一网络模型所能应付的，例如前面提过的车牌识别，还有一些医疗成像的肿瘤识别、商业用途的表情识别、年龄识别等，都需要在特定标的物里面再去找进一步的特征。
就像车牌识别必须先找到“车”这个标的物，再从车里面去找出“车牌”的位置，再将车牌里的字符一一识别出来；肿瘤分析必须先找到特定“器官”，然后在器官范围内去比对肿瘤块；表情识别需要先找到“人脸”，再从人脸的特征去区分表情。以上描述的用途，是需要多种神经网络共同协作，来完成一完整的识别任务。
常规的处理思路会使用多次解析的方式来处理，如果面对图像的时候还算是单纯的，但面对视频数据的时候，这种多次解析的方法就很难满足“实时性”的要求，这就是一个需要突破的难点。
面对这样的困扰，DeepStream 提供这种多网络合成的方式，能非常有效地在一次解析的过程中完成所有的推理计算，这样就能确保执行的效率，下面就要告诉大家 DeepStream 是如何做到这些工作的。
deepstream-test2 项目重点解说
文件路径：<DeepStream>/sources/deepstream_python_apps/apps的deepstream-test2/deepstream_test_2.py
范例功能：在deepstream-test1的检测器基层上，添加三个分类器
插件流：filesrc-> h264parser -> nvh264decoder -> nvstreammux-> nvinfer（pgie->tracker->sgie1->sgei2->sgie3）-> nvvideoconvert -> nvdsosd-> nvegltransform -> nveglglessink
上面“粗体”部分是改动的重点
deepstream-test2 代码还是以 deepstream-test1 为基础，如果不熟悉的请先看看本系列前面的文章。这里维持 test1 的视频文件输入与显示器输出方式不变，在“
Car/Person/Bicycle/RoadSign”四种物件分类的推理识别基础上，为“Car”物件再添加“颜色/品牌/车型”这三种分类属性（如下图），因此总体来说就需要“一个检测器（detector）”与“三个分类器（classifier）”来共同完成这项任务。
可能有人会问，那是否能在“Person”或“RoadSign”上面增加分类器？例如将前者再添加“男/女”、“老/少”分类，对后者再添加“限制类”、“指示类”、“警告类”的属性呢？这当然是可以的，只要你能找到合适的模型文件来搭配，或者得自己重新收集数据集进行模型训练，然后再提供对应的配置文件。
与 test1 范例中所不同的地方，在 test2 范例在“pgie”这个“nvinfer”元素之外，又添加“sgie1/sgie2/sgie3”这3个推理计算的元素，总共四个推理器的内容如下：
这个过程有个比较特殊的地方，就是在”主推理器（这里是个检测器）”与“次推理器（这里是三个分类器）”之间，需要透过“追踪器（tracker）”进行串联，这里有个很重要的原因，因为次推理器是以主推理器的“范围图像”去进行分类推理，包括颜色、品牌、车型等等，而追踪器可以协助记录主推理器所找到的“图像范围”，将这个局部的数据传送给次推理器去进行计算，这样才能建立好“主次”之间的关联。
因此我们会发现，只要需要进行这种“主次结合”的方式，必定需要调用“追踪器”这个元件来扮演角色，这个在 deepstream-app 里面也是存在的，但是这里会延伸出另一个问题，就是调用追踪器是会影响性能的，在 DeepStream 追踪器里面，目前支持 NVDCF、KLT 与 IOU 三种算法，其中 NVDCF 算法的性能最差，KLT 在准确性与性能的综合表现较好，因此大部分的范例中都选择使用 KLT 追踪器。
附带说明的一点，就是追踪器插件接受来自上游组件的 NV12-或 RGBA 格式的帧数据，并将输入缓冲区转换为低层库所需格式的缓冲区，再将宽度和高度转换为跟踪器要求的宽度和高度，这需要将输入帧缓冲区转换为底层库请求的格式，例如 KLT 使用 Luma 专用格式、NvDCF 使用 NV12 或 RGBA 格式，IOU 则不需要缓冲区。
上图是 nvtracker 插件的工作示意图，详细的内容请自行参考开发手册：
https://docs.nvidia.com/metro...
好了，前面已经将整体原理说明的差不多，接下来就看看 test2 与 test1 的 Python 代码中的差异部分，这样就更能掌握这部分的实际运作内涵。
deepstream-test2 代码修改部分
如同前面所提到的，这个代码主要修改的部分，就是在 pgie 与 nvvideoconvert 之间，添加 tracker 与 sgie 1~3 这四个元件，其他修改的部分几乎都在处理 tracker 的部分，包括一开始需要为追踪器是否保存追踪数据的。
# 42行：给定这个变量设定是否保存追踪的数据
past_tracking_meta=[0]
# 217至238行：在 pgie与 nvvidconv 之间，添加 tracker + sgie1～3
pgie = Gst.ElementFactory.make("nvinfer", "primary-inference")
tracker = Gst.ElementFactory.make("nvtracker", "tracker")
sgie1 = Gst.ElementFactory.make("nvinfer", "secondary1-nvinference-engine")
sgie2 = Gst.ElementFactory.make("nvinfer", "secondary2-nvinference-engine")
sgie3 = Gst.ElementFactory.make("nvinfer", "secondary3-nvinference-engine")
nvvidconv = Gst.ElementFactory.make("nvvideoconvert", "convertor")
# 264～268行：设定推理器的配置文件
pgie.set_property('config-file-path', "dstest2_pgie_config.txt")
sgie1.set_property('config-file-path', "dstest2_sgie1_config.txt")
sgie2.set_property('config-file-path', "dstest2_sgie2_config.txt")
sgie3.set_property('config-file-path', "dstest2_sgie3_config.txt")
#270～296行：设置追踪器的各项参数，从配置文件中获取对应的参数
config = configparser.ConfigParser()
config.read('dstest2_tracker_config.txt')
config.sections()
# 从dstest2_tracker_config.txt读入，为追踪器逐项设置变量
for key in config['tracker']:
if key == 'tracker-width' :
tracker_width = config.getint('tracker', key)
tracker.set_property('tracker-width', tracker_width)
if key == 'tracker-height' :
tracker_height = config.getint('tracker', key)
tracker.set_property('tracker-height', tracker_height)
if key == 'gpu-id' :
tracker_gpu_id = config.getint('tracker', key)
tracker.set_property('gpu_id', tracker_gpu_id)
if key == 'll-lib-file' :
tracker_ll_lib_file = config.get('tracker', key)
tracker.set_property('ll-lib-file', tracker_ll_lib_file)
if key == 'll-config-file' :
tracker_ll_config_file = config.get('tracker', key)
tracker.set_property('ll-config-file', tracker_ll_config_file)
if key == 'enable-batch-process' :
tracker_enable_batch_process = config.getint('tracker', key)
tracker.set_property('enable_batch_process', tracker_enable_batch_process)
if key == 'enable-past-frame' :
tracker_enable_past_frame = config.getint('tracker', key)
tracker.set_property('enable_past_frame', tracker_enable_past_frame)
以上就是 test2 与 test1 在创建元件与设置参数部分的一些代码修改的部分，至于管道创建与连接的部分，自己就能看懂，这里就不浪费篇幅去说明。
最后还有一部分，就是在函数 osd_sink_pad_buffer_probe 里面，第 126～164 行有一代码，不过下面注释内容表明 l_user.data 与 user_meta.user_meta_data 在这里并不做处理，我们也试过将“if(past_tracking_meta[0]==1):”下面整段代码全部删除，并不影响 test2 范例的执行与输出结果。
修改设定文件与执行
最后在执行之前，看一下 5 个配置文件的内容，发现原本的设定以“INT8”精度模式进行推理，可以看到文件里的“network-mode”都设置为“1”，如果在 Jetson Nano（含 2GB）上执行时，建议将这些模式都改成“FP16”模式，除了将所有“network-mode”都改成“2”之外，再把每个加速引擎的“xxx_int8.engine”改成“xxx_fp16.engine”。
虽然不改变这个设定值也能正常工作，差别就在于如果要重复测试的时候，就得花费更多时间去重新生成“xxx_fp16.engine”加速引擎，如果改成“fp16”模式的话，就只需要生成一次就行，第二次再执行的时候就会非常快速启动。
好了，一切就绪之后，就可以体验一下这个多模型合成功能的效果，请执行以下指令：
python3 deepstream_test_2.py ../../../../samples/streams/sample_720p.h264
在屏幕上方会出现该帧的检测结果，不过这里只显示“Vehicle”与“Person”两个类别。图片中也能清楚看到每个物件都有个“追踪编号”，在 Car 物件上也有“颜色”、“厂牌”、“车型”等信息。
当我们回头再仔细看看这个范例的代码，会发现其实大部分要做的事情，就是把插件元件做合理的安排，然后就是“定义”、“创建”、“连接”，就几乎完成大部分的工作了。
