英偉達(dá)CV公開課第1期：快速搭建基于Python的車輛信息識別系統(tǒng)

liming 2021-05-26 09:55:37 來源：量子位

隨著智慧城市、自動駕駛的快速落地，車輛的檢測和識別應(yīng)用場景非常廣泛，如車牌識別、車流統(tǒng)計、車輛屬性識別等。

近日，在英偉達(dá)x量子位發(fā)起的系列CV公開課第一期課程直播中，NVIDIA社區(qū)開發(fā)者經(jīng)理何琨老師分享了如何利用TLT 3.0、DeepStream等工具低門檻、快速搭建一個車輛信息識別系統(tǒng)。

分享大綱如下：

·?車輛信息識別任務(wù)介紹

·?NVIDIA DeepStream SDK簡介及其使用

·?NVIDIA Transfer Learning Toolkit介紹及其使用

·?實(shí)戰(zhàn)演示：快速搭建車輛信息識別系統(tǒng)

·?下期直播報名

以下為分享內(nèi)容整理：

大家好，我來自NVIDIA開發(fā)者社區(qū)，今天的分享內(nèi)容是“快速搭建基于Python的車輛信息識別系統(tǒng)”。

今天的分享仍然以一個具體的項目來做實(shí)例，包含源碼和部署流程，課后會把課程PPT、源碼分享給大家（見文末），希望大家能夠有所收獲。

車輛信息識別任務(wù)

首先，通過這個動圖說明我們今天“車輛信息識別”的任務(wù)，首先我們需要檢測到車輛，然后檢測到這輛車的車牌并識別；另外我們還需要識別這輛車的顏色、品牌、類型等。這就是我們今天課程的任務(wù)，我們可以將上述任務(wù)拆解為5個小任務(wù)：

1.檢測到車輛

2.識別車類型

3.識別車品牌

4.檢測到車牌

5.識別車牌號

我將分兩部分演示這5個小任務(wù)。一部分是完成車輛檢測，車牌檢測與識別；另一部分是識別車輛品牌與車輛型號。

拿到這個任務(wù)，首先我們需要考慮采用什么樣的數(shù)據(jù)集；其次在訓(xùn)練過程中還要考慮在什么框架下完成訓(xùn)練，如何對模型進(jìn)行剪枝、優(yōu)化；模型訓(xùn)練完成后，還需要考慮部署到哪里，比如服務(wù)器終端還是一些嵌入式產(chǎn)品。

首先，是數(shù)據(jù)的準(zhǔn)備部分。NVIDIA提供的是一些美國車牌的視頻，跟國內(nèi)車牌有一些區(qū)別。大家在實(shí)際訓(xùn)練中，可以自行收集更合適的數(shù)據(jù)集。

其次，為快速完成一個模型訓(xùn)練，需要用到遷移學(xué)習(xí)工具：Transfer Learning Toolkit（TLT）。

最后，部署模型時，可以使用DeepStream工具便捷實(shí)現(xiàn)。

在今天的示例展示開始前，先為大家介紹一下這兩個工具的功能及如何使用。

NVIDIA DeepStream SDK

DeepStream是NVIDIA專門為視覺相關(guān)的應(yīng)用來設(shè)計的一整套工具鏈，集成了很多工具。

它的核心任務(wù)之一是幫用戶搭建視頻應(yīng)用的完整產(chǎn)業(yè)鏈。當(dāng)我們要做一個基于視覺的應(yīng)用時，我們不只是在訓(xùn)練一個模型，還需要處理很多流程，比如編解碼、批處理等，DeepStream可以幫助用戶完成這些流程。

如上圖，最底層基礎(chǔ)部分，NVIDIA有一系列的硬件；

再往上看，在不同硬件部署時，我們可以再采用不同的基于CUDA-X的工具，比如要做視頻的編、解碼可能用到CUDA，做視頻的inference時可以用到TensorRT、Triton Inference Server，不同的工具對應(yīng)不同的調(diào)用方式；

大家用DeepStream搭建系統(tǒng)時，只需要調(diào)用DeepStream SDK這一個應(yīng)用，它是一系列軟件搭建起來的工具的集合，并且可以投產(chǎn)于真實(shí)的項目中。

如何使用DeepStream？

說明文檔：https://docs.nvidia.com/metropolis/deepstream/dev-guide/text/DS_Quickstart.html#quickstart-guide

具體看下DeepStream SDK每一步的處理過程。

我們要搭建一個基于視覺應(yīng)用的程序，第一步是數(shù)據(jù)源。今天我們展示的實(shí)例代碼是基于本地的視頻，大家也可以使用不同的視頻源，都可以接入到SDK系統(tǒng)里。

第二步，對視頻源的數(shù)據(jù)進(jìn)行處理。包括Code、DeCode的過程，使程序、算法能夠直接使用和識別數(shù)據(jù)。這一步可以極大提升我們的處理效率、節(jié)省時間。

第三步，視頻預(yù)處理，包括縮放、剪切、調(diào)整分辨率等。

第四步，Batching，即設(shè)置一定延遲，將幾張圖片組合起來，組成一張大圖再傳輸給GPU，同時處理多張圖片來提高效率。

第五步，深度學(xué)習(xí)推理任務(wù)。這里可以使用您已有的模型、或者NVIDIA提供的預(yù)訓(xùn)練模型等，不需要再從頭開始進(jìn)行訓(xùn)練。推理主要包含檢測、識別、圖像分割三部分，今天的課程任務(wù)都會涵蓋到。

推理完成后，還可以進(jìn)行二級推理網(wǎng)絡(luò)或者多級網(wǎng)絡(luò)的搭建。比如今天的課程任務(wù)，檢測到車輛后，再在檢測框里檢測車牌，就是二級網(wǎng)絡(luò)。接下來可能還要識別車牌號，這個識別網(wǎng)絡(luò)就是三級網(wǎng)絡(luò)。

第六步，深度學(xué)習(xí)的結(jié)果出來之后，針對某些需要Tracking的任務(wù)，DeepStream里邊也已經(jīng)內(nèi)置了相應(yīng)模塊，直接調(diào)用就可以進(jìn)行跟蹤任務(wù)的處理。

這時，主要的計算任務(wù)就完成了，第七步就需要將結(jié)果顯示出來，比如顯示在屏幕上、傳輸?shù)竭h(yuǎn)端，或者儲存為本地的文件。（今天直播里我們將用到一個嵌入式設(shè)備—NX來顯示畫面，將處理完的視頻存到本地后播放。）

以上就是一套完整的流程，我們通過使用DeepStream SDK，只需100多行代碼就可以實(shí)現(xiàn)整個流程。

上圖是關(guān)于DeepStream的注意事項，大家在實(shí)際應(yīng)用的時候，可以參考相關(guān)內(nèi)容、應(yīng)用場景等。

TensorRT

TensorRT是英偉達(dá)專門為GPU深度學(xué)習(xí)推理設(shè)置的一個工具（相關(guān)課程可參考英偉達(dá)開發(fā)者社區(qū)：https://www.nvidia.cn/developer/online-training/community-training/），可以幫助GPU更快的做深度學(xué)習(xí)推理任務(wù)。

它會在內(nèi)部做一系列優(yōu)化，如精度校正，動態(tài)Memory，多流的執(zhí)行，Kernel調(diào)用，網(wǎng)絡(luò)層融合計算等。正是通過這一系列優(yōu)化，生成了可執(zhí)行的推理引擎，就可以進(jìn)行一個深度學(xué)習(xí)推理任務(wù)。

NVIDIA Transfer Learning Toolkit

接下來介紹一下NVIDIA Transfer Learning Toolkit（TLT）工具。

上述介紹了部署工具，那么如何得到推理引擎呢？這就需要用到TLT工具（目前版本已更新至TLT 3.0）。

TLT 3.0是一個簡單的、集成化的工具，可以幫助大家快速地訓(xùn)練一個模型，并且把這個模型轉(zhuǎn)化成TensorRT或者DeepStream可以直接使用的深度學(xué)習(xí)推理引擎。

TLT 3.0為開發(fā)者提供了一系列的預(yù)訓(xùn)練模型，并且提供了一系列工具，大家可以在預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行模型訓(xùn)練、調(diào)整、剪枝，以及導(dǎo)出模型進(jìn)行部署等。而且大家可以通過簡單的幾行代碼來實(shí)現(xiàn)上述功能。

目前，TLT 3.0已經(jīng)涵蓋了很多內(nèi)容，在視覺、語音等方面都有很多可以實(shí)際應(yīng)用的模型。

我們今天的主題是“車輛信息識別”，課程任務(wù)中主要會涉及圖像分類、目標(biāo)檢測和圖像分割方面的預(yù)訓(xùn)練模型，大家都可以去NGC下載（ngc.nvidia.com）。

實(shí)戰(zhàn)演示：快速搭建車輛信息識別系統(tǒng)

接下來，何琨老師通過代碼演示，帶大家實(shí)現(xiàn)了“車輛信息識別”任務(wù)。大家可觀看視頻、繼續(xù)學(xué)習(xí)：

直播回放：

源代碼下載鏈接：

Python：https://github.com/NVIDIA-AI-IOT/deepstream_python_apps

C：https://github.com/NVIDIA-AI-IOT/deepstream_lpr_app

課程PPT鏈接：https://images.nvidia.cn/cn/webinars/2021/May18/%E5%BF%AB%E9%80%9F%E6%90%AD%E5%BB%BA%E5%9F%BA%E4%BA%8EPython%E7%9A%84%E8%BD%A6%E8%BE%86%E4%BF%A1%E6%81%AF%E8%AF%86%E5%88%AB%E7%B3%BB%E7%BB%9F.pdf

—?完?—