nvidia
nano2g-jp:/opt/nvidia/deepstream/deepstream/samples/models$ls-l总用量24
drwxrwxrwx2rootroot月:49Primary_Detector
drwxrwxrwx2rootroot月:45Primary_Detector_Nano
drwxrwxrwx2rootroot月:50Secondary_CarColor
drwxrwxrwx2rootroot月:50Secondary_CarMake
drwxrwxrwx2rootroot月:50Secondary_VehicleTypes
drwxrwxrwx4rootroot月:49Segmentation
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JetsonNano（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JetsonNano的/opt/nvidia/deepstream/deepstream/samples/config/deepstream-app下面的source4_p_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-csource4_p_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”
由于我们在JetsonNano2GB版本上进行实验，需要进行以下的调整。如果您要在AGXXavier或XavierNX上上执行的活，请忽略这个步骤。
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JetsonNano（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“Theremaybeatimestampingproblem,orthis