跳至内容

Ultralytics YOLO11 NVIDIA Jetson 上使用 DeepStream SDK 和TensorRT



观看： 如何在 Jetson Nano 上使用 DeepStream SDK 运行多个数据流？Ultralytics YOLO11

本综合指南提供了使用 DeepStream SDK 和TensorRT 在NVIDIA Jetson 设备上部署 Ultralytics YOLO11 的详细攻略。在此，我们使用TensorRT 来最大限度地提高 Jetson 平台上的推理性能。

NVIDIA Jetson 上的 DeepStream

备注

本指南已在基于NVIDIA Jetson Orin NX 16GB 运行JP5.1.3版 JetPack 的Seeed Studio reComputer J4012和基于NVIDIA Jetson Nano 4GB 运行JP4.6.4 版 JetPack 的Seeed Studio reComputer J1020 v2上进行了测试。预计它将适用于所有NVIDIA Jetson 硬件产品线，包括最新产品和传统产品。

NVIDIA DeepStream 是什么？

NVIDIADeepStream SDK是基于 GStreamer 的完整流分析工具包，适用于基于人工智能的多传感器处理、视频、音频和图像理解。它是视觉人工智能开发人员、软件合作伙伴、初创企业和原始设备制造商构建 IVA（智能视频分析）应用程序和服务的理想选择。现在，您可以创建包含神经网络和其他复杂处理任务（如跟踪、视频编码/解码和视频渲染）的流处理管道。这些管道可对视频、图像和传感器数据进行实时分析。DeepStream 的多平台支持让您可以更快、更轻松地在内部、边缘和云中开发视觉人工智能应用和服务。

先决条件

在开始使用本指南之前：

提示

在本指南中，我们使用 Debian 软件包方法将 DeepStream SDK 安装到 Jetson 设备。您也可以访问Jetson 上的 DeepStream SDK（已存档），访问 DeepStream 的旧版本。

DeepStream 配置用于YOLO11

这里我们使用的是marcoslucianops/DeepStream-YoloGitHub 代码库，其中包括NVIDIA DeepStream SDK 对YOLO 模型的支持。我们感谢 marcoslucianops 所做的贡献！

  1. 安装依赖项

    pip install cmake
pip install onnxsim

  2. 克隆以下版本库

    git clone https://github.com/marcoslucianops/DeepStream-Yolo
cd DeepStream-Yolo

  3. 下载Ultralytics YOLO11 检测模型 (.pt) ，请从YOLO11 版本中选择。这里我们使用yolov8s.pt。

    wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt

    备注

    您还可以使用自定义训练的YOLO11 模型。

  4. 将模型转换为ONNX

    python3 utils/export_yoloV8.py -w yolov8s.pt

    将以下参数传递给上述命令

    对于 DeepStream 6.0.1，请使用 opset 12 或更低。默认 opset 为 16。

    --opset 12

    更改推理大小（默认：640）

    -s SIZE
--size SIZE
-s HEIGHT WIDTH
--size HEIGHT WIDTH

    以 1280 为例：

    -s 1280
or
-s 1280 1280

    简化ONNX 模型（DeepStream >= 6.0）

    --simplify

    使用动态批次大小（DeepStream >= 6.1）

    --dynamic

    使用静态批量大小（以批量大小 = 4 为例）

    --batch 4

  5. 根据安装的 JetPack 版本设置CUDA 版本

    适用于 JetPack 4.6.4：

    export CUDA_VER=10.2

    适用于 JetPack 5.1.3：

    export CUDA_VER=11.4

  6. 编译程序库

    make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo

  7. 编辑 config_infer_primary_yoloV8.txt 文件（适用于YOLOv8s ，有 80 个类别）

    [property]
...
onnx-file=yolov8s.onnx
...
num-detected-classes=80
...

  8. 编辑 deepstream_app_config 文件

    ...
[primary-gie]
...
config-file=config_infer_primary_yoloV8.txt

  9. 您还可以在 deepstream_app_config 文件。此处加载的是默认视频文件

    ...
[source0]
...
uri=file:///opt/nvidia/deepstream/deepstream/samples/streams/sample_1080p_h264.mp4

运行推理

deepstream-app -c deepstream_app_config.txt

备注

在开始推理之前，生成TensorRT 引擎文件需要很长时间。所以请耐心等待。

YOLO11 与深流

提示

如果您想将模型转换为 FP16 精确度，只需设置 model-engine-file=model_b1_gpu0_fp16.engine 和 network-mode=2 内侧 config_infer_primary_yoloV8.txt

INT8 校准

如果要使用 INT8 精度进行推理，需要按照以下步骤操作

  1. 设置 OPENCV 环境变量

    export OPENCV=1

  2. 编译程序库

    make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo

  3. 有关 COCO 数据集，请下载 val2017提取，并移至 DeepStream-Yolo 资料夹

  4. 为校准图像新建一个目录

    mkdir calibration

  5. 运行以下程序，从 COCO 数据集中随机选择 1000 幅图像进行校准

    for jpg in $(ls -1 val2017/*.jpg | sort -R | head -1000); do \
    cp ${jpg} calibration/; \
done

    备注

    NVIDIA 建议至少使用 500 张图像才能获得较高的准确度。在本例中，为了获得更好的精确度，选择了 1000 张图片（更多图片 = 更高精度）。您可以从头-1000 开始设置。例如，对于 2000 张图像，头部为 -2000。这个过程可能需要很长时间。

  6. 创建 calibration.txt 包含所有选定图像的文件

    realpath calibration/*jpg > calibration.txt

  7. 设置环境变量

    export INT8_CALIB_IMG_PATH=calibration.txt
export INT8_CALIB_BATCH_SIZE=1

    备注

    INT8_CALIB_BATCH_SIZE 值越高，校准精度越高，校准速度越快。请根据GPU 内存情况进行设置。

  8. 更新 config_infer_primary_yoloV8.txt 文件

    来自

    ...
model-engine-file=model_b1_gpu0_fp32.engine
#int8-calib-file=calib.table
...
network-mode=0
...

    至

    ...
model-engine-file=model_b1_gpu0_int8.engine
int8-calib-file=calib.table
...
network-mode=1
...

运行推理

deepstream-app -c deepstream_app_config.txt

多数据流设置

要在单个 deepstream 应用程序下设置多个数据流，可以对 deepstream_app_config.txt 文件

  1. 根据所需流的数量更改行和列，以建立网格显示。例如，对于 4 个数据流，我们可以添加 2 行和 2 列。

    [tiled-display]
rows=2
columns=2

  2. 设置 num-sources=4 并添加 uri 的所有 4 个流

    [source0]
enable=1
type=3
uri=<path_to_video>
uri=<path_to_video>
uri=<path_to_video>
uri=<path_to_video>
num-sources=4

运行推理

deepstream-app -c deepstream_app_config.txt
多数据流设置

基准结果

下表总结了YOLOv8s 模型在NVIDIA Jetson Orin NX 16GB 上以 640x640 的输入尺寸在不同TensorRT 精度级别下的性能表现。

型号名称 精度 推理时间（毫秒/分钟） FPS
YOLOv8s FP32 15.63 64
FP16 7.94 126
INT8 5.53 181

致谢

本指南最初是由我们在 Seeed Studio 的朋友 Lakshantha 和 Elaine 制作的。

常见问题

如何在NVIDIA Jetson 设备上设置Ultralytics YOLO11 ？

要在NVIDIA Jetson 设备上设置 Ultralytics YOLO11 ，首先需要安装与 JetPack 版本兼容的DeepStream SDK。按照我们的《快速入门指南》中的分步指南，为YOLO11 部署配置NVIDIA Jetson。

在NVIDIA Jetson 上使用TensorRT 和YOLO11 有什么好处？

TensorRT YOLO11 NVIDIA TensorRT 可通过层融合、精确校准和内核自动调整提供高性能、低延迟的深度学习推理。这使得执行速度更快、效率更高，尤其适用于视频分析和自主机器等实时应用。

我能否使用 DeepStream SDK 在不同的NVIDIA Jetson 硬件上运行Ultralytics YOLO11 ？

是的，使用 DeepStream SDK 和TensorRT 部署Ultralytics YOLO11 的指南与NVIDIA Jetson 全系列产品兼容。这包括使用JetPack 5.1.3的 Jetson Orin NX 16GB 和使用JetPack 4.6.4 的 Jetson Nano 4GB 等设备。详细步骤请参阅 YOLO11 的 DeepStream 配置部分。

如何将YOLO11 模型转换为用于 DeepStream 的ONNX ？

要将YOLO11 模型转换为ONNX 格式以便与 DeepStream 一起部署，请使用 utils/export_yoloV8.py 脚本中的 DeepStream-Yolo 存放处。

下面是一个命令示例：

python3 utils/export_yoloV8.py -w yolov8s.pt --opset 12 --simplify

有关模型转换的更多详情，请查看我们的模型导出部分。

NVIDIA Jetson Orin NX 上YOLO 的性能基准是什么？

YOLO11 型号在NVIDIA Jetson Orin NX 16GB 上的性能因TensorRT 精度级别而异。例如，YOLOv8s 型号可实现

  • FP32 精确度：15.63 ms/im，64 FPS
  • FP16 精确度： 7.94 ms/im，126 FPS
  • INT8 精确度： 5.53 ms/im，181 FPS

这些基准测试强调了在NVIDIA Jetson 硬件上使用TensorRT-optimizedYOLO11 模型的效率和能力。更多详情，请参阅我们的基准测试结果部分。

📅 5 个月前创建✏️ 2 个月前更新
超解助手 翔宇 马修-诺伊斯 里兹万-穆纳瓦 lakshanthad

评论