DeepStream 有一个非常强大的功能，就是多模型组合检测的功能，以一个主（Primary）推理引擎（GIE：GPU Inference Engine）去带着多个次（Secondary）推理引擎，就能实现前面所说的功能。

本实验在 Jetson Nano 2GB 上，执行 4 种模型的组合检测功能，能将检测到的车辆再往下区分颜色、厂牌、车种等进一步信息，在 4 路输入视频状态下能得到 20+FPS 性能，并且我们将显示的信息做中文化处理（如下图）。

nvidia@nano2g-jp450:/opt/nvidia/deepstream/deepstream/samples/models$  ls -l
总用量 24
drwxrwxrwx 2  root root 4096 7月  13 23:49 Primary_Detector
drwxrwxrwx 2  root root 4096 7月  13 22:45 Primary_Detector_Nano
drwxrwxrwx 2  root root 4096 2月   8 21:50 Secondary_CarColor
drwxrwxrwx 2  root root 4096 2月   8 21:50 Secondary_CarMake
drwxrwxrwx 2  root root 4096 2月   8 21:50 Secondary_VehicleTypes
drwxrwxrwx 4  root root 4096 2月   8 21:49 Segmentation

简单说明一下每个目录所代表的的意义：

• Primary_Detector：作为项目的主检测器，这是用 Caffe 框架以 ResNet10 网络所训练的 4 类检测器，能检测“Car”、“Bicycle”、“Person”、“Roadsign”四种物件，这个数据可以在目录下的 labels.txt 中找到。
• Primary_Detector_Nano：将Primary_Detector里的模型，针对 Jetson Nano（含 2GB）的计算资源进行优化的版本。
• Secondary_CarColor：车子颜色的次级检测器
• Secondary_CarMake：生产厂商的次级检测器
• Secondary_VehicleTypes：车子种类的次级检测器

组成结构也十分简单，其中主（Primary）检测器只有一个，而且必须有一个，否则 DeepStream 无法进行推理识别。次（Secondary）检测器可以有好几个，这里的范例就是针对“Car”这个类别，再添加“Color”、“Maker”、“Type”这三类元素，就能获取视频图像中物件的更完整信息。

在 Jetson Nano 的/opt/nvidia/deepstream/deepstream/samples/config/deepstream-app 下面的 source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt，就已经把这个组合检测器的配置调试好，现在直接执行以下指令：

cd/opt/nvidia/deepstream/deepstream/samples/config/deepstream-app
deepstream-app  -c source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt

现在看到启动四个视频窗，但是每个视窗的执行性能只有 8FPS，总性能大约 32FPS，并不是太理想。

接下来看看怎么优化这个配置文件

1. 首先要执行模型组合功能功能，必须把“tracker”功能打开，不过可以关闭追踪号的显示，因此保留“enable=1”，将下面的“display-tracking-id=”设为“0”
2. 由于我们在 Jetson Nano 2GB 版本上进行实验，需要进行以下的调整。如果您要在 AGX Xavier 或 Xavier NX 上上执行的活，请忽略这个步骤。
3. 修改主检测器[primary-gie]的模型：配置文件中预设的是“Primary_Detector”检测器，这里得修改成专为 Nano 所训练的版本，这里修改以下几个地方：

(1) model-engine-file路径的“Primary_Detector”部分改成“Primary_Detector_Nano”
(2) config-file 的文件改成 config_infer_primary_nano.txt
因为 Jetson Nano（含2GB）并不支持 int8 计算精度，因此还需要做以下修改：
(3) 将“_b4_gpu0_int8.engine”改成“_b8_gpu0_fp16.engine”
(4) 将所有“xx_gpu0_int8.engine”改成“xx_gpu0_fp16.engine”

3.将追踪器从原本的 ibnvds_mot_klt.so 改成 libnvds_mot_iou.so，用“#”变更注释的位置就可以。

修改完后重新执行，可以看到每个窗口的检测性能提升到 10~12FPS，总性能提升到 40~48FPS，比原本提升12~50%，不过距离理想中的 25FPS 还有很大的差距。

执行过程中如果遇到“Theremay be a timestamping problem, or this computer is too slow.”这样的信息，就把[sink0]下面的“sync=”设定值改为“0”就可以。

现在看看是否还有什么可调整的空间？参考前一篇文章“DeepStream-04：Jetson Nano 摄像头实时性能”所提到的，将[primary-gie]下面的“interval=”设定为“1”，然后再执行应用时，发现每个输入源的识别性能立即提升到 20FPS 左右（如下图），总性能已经能到 80FPS 左右，比最初的 32FPS 提升大约 2.5倍，这已经很接近实时识别的性能。

好了，在Jetson Nano 2GB 上已经能达到接近实时推理的性能，是相当好的状态。

如果对于显示输出的状态有些不满意的话，我们按照下面的步骤去执行，将“英文”类别名改成“中文”，并且将边框变粗、字体放大，就能更轻松看到推理的效果：

1.所有的显示名称，都在 models 目录下个别模型目录里的labels.txt，可以将里面的内容全部改成中文。

例如
deepstream/samples/models/Secondary_CarMake的“labels.txt”内容改为“广汽;奥迪;宝马;雪佛兰;克莱斯勒;道奇;福特;通用;本田;现代;英菲尼迪;吉普;起亚;雷克萨斯;马自达;奔驰;日产;速霸路;丰田;大众”，其他的就比照办理。

注意：这个顺序不能改变！

2.边框宽度：修改[osd]下面的“board-width”值，推荐 2~4 比较合适；
3.字体大小：修改[osd]下面的“texe-size”值，推荐 15~18 比较合适；
4.其他：请自行设定

现在重新执行这个 deepstream-app 的应用，就能得到本文一开始所显示的效果：

如何？这样的效果与性能就是在 Jetson Nano 2GB 实现的！