AI Skills
deepstream-dev

deepstream-dev

熱門

使用 Python pyservicemaker API 開發 NVIDIA DeepStream SDK。適用於建置影片分析管道（video analytics pipelines）、基於 GStreamer 的影片處理、TensorRT 推論整合、物件偵測/追蹤，或 Kafka/訊息代理（message broker）整合。

2813星標
330分支
更新於 2026/8/7
獲取技能源代碼

相關技能

shopify-apps4.6萬api-documentation-generator4.5萬mem0-cli6.3萬
SKILL.md
唯讀
名稱
deepstream-dev
描述

使用 Python pyservicemaker API 開發 NVIDIA DeepStream SDK。適用於建置影片分析管道（video analytics pipelines）、基於 GStreamer 的影片處理、TensorRT 推論整合、物件偵測/追蹤，或 Kafka/訊息代理（message broker）整合。

版本
1.1.1

DeepStream 開發 Skill

當此 Skill 啟用時，在產生程式碼之前務必閱讀相關的參考文件。切勿仰賴記憶——參考文件中包含關於精確屬性名稱、正確 API 用法以及常見陷阱的關鍵細節。

SDK 與架構快速參考

DeepStream SDK 版本需求

  • GStreamer: 1.24.2
  • NVIDIA Driver: 590+
  • CUDA: 13.1
  • TensorRT: 10.14.1.48
  • Platforms: Ubuntu 24.04 (x86_64 與 ARM64/Jetson)

典型管道流程 (Pipeline Flow)

Source → Stream Muxer → Inference → [Tracker] → OSD → Renderer

中括號 [ ] 內的元件為選填——僅在使用者明確要求時才加入。

階段 角色 關鍵元件 必要？
Source (來源) 輸入來自檔案、RTSP、攝影機 nvurisrcbin (首選), nvmultiurisrcbin, filesrc 是
Stream Muxer (串流組合器) 批次處理串流以進行推論 nvstreammux 是
Inference (推論) 執行 TensorRT 模型 nvinfer, nvinferserver 是
Tracker (追蹤器) 跨畫格多物件追蹤 nvtracker 僅在要求的狀況下
OSD (畫面標註) 繪製邊界框 (Bounding Box)、標籤與覆蓋層 nvosdbin 是 (用於視覺化)
Renderer (算繪器/輸出) 顯示或儲存輸出 nveglglessink, nv3dsink, filesink 是

記憶體模型

DeepStream 使用 NVIDIA 視訊記憶體管理器 (NVMM) 來實現 GPU 緩衝區的零複製 (Zero-copy) 傳輸。Caps 字串使用 memory:NVMM 來指示 GPU 記憶體 (例如 video/x-raw(memory:NVMM), format=NV12)。

關鍵規則

  1. 僅新增要求的元件：切勿新增使用者未要求的管道元件。

    • 追蹤器 (nvtracker)：僅在使用者明確要求跨畫格追蹤或物件 ID 時新增
    • 次要 GIE (Secondary GIE)：僅在使用者要求分類或屬性擷取時新增
    • 分析元件 (nvdsanalytics)：僅在使用者要求越線偵測、ROI 區域計數等功能時新增
    • 訊息代理 (nvmsgbroker/nvmsgconv)：僅在使用者要求 Kafka/雲端訊息傳輸時新增
    • 如有疑問，請建置最簡可運作管道 (minimal working pipeline)，讓使用者自行提出進一步需求

  2. 來源預設使用 nvurisrcbin：當使用者提到「攝影機」、「串流」、「影片」或提供檔案路徑時：

    • 始終使用 nvurisrcbin——它可以透明化處理 RTSP、HTTP 與本機檔案 (file://)
    • 僅在使用者明確需要控制原始檔案來源時，才使用 filesrc + qtdemux + parser
    • 對於 RTSP/即時串流來源，還需要在 nvstreammux 設定 live-source=1，並在 Sink 設定 sync=0
    • 將本機路徑轉為 URI："file://" + os.path.abspath(path)

  3. 元資料 (Metadata) 疊代：使用 .frame_items 與 .object_items（會傳回疊代器 Iterator，而非列表 List）

    • 切勿對這些物件使用 len()——請透過疊代來計數
    • 疊代器只能被消耗一次

  4. Request Pad 語法：請使用 "sink_%u" 範本，切勿使用字面 Pad 名稱

    pipeline.link(("decoder", "mux"), ("", "sink_%u"))  # 正確
# pipeline.link(("decoder", "mux"), ("", "sink_0"))  # 錯誤 - 將會失敗

  5. Sink 的平台偵測：

    import platform
sink_type = "nv3dsink" if platform.processor() == "aarch64" else "nveglglessink"

  6. 緩衝區複製 (Buffer Cloning)：進行非同步處理時，務必複製緩衝區

    tensor = buffer.extract(0).clone()  # 關鍵步驟

  7. 佇列 (Queue) 型態：

    • queue.Queue → 搭配 threading.Thread 使用
    • multiprocessing.Queue → 搭配 multiprocessing.Process 使用
    • 使用錯誤的型態會導致靜默的資料遺失！

  8. nvinfer 設定檔格式：

    • YAML：使用 property: 區段（非 model:），key: value 冒號後須留空格
    • INI：使用 [property] 區段，key=value 使用等號
    • 區段名稱必須命名為 property

  9. nvmsgbroker 是一個 SINK：下游不能再連接其他元件——請使用 tee 來分流管道

  10. 使用 Tee 分流或動態來源時，所有 Sink 皆需要 async=0：這對狀態過渡（State Transition）至關重要

    # 當使用 Tee 分流或動態來源時，所有 Sink 必須設定 async=0
pipeline.add("nveglglessink", "sink", {
    "sync": 0, "qos": 0,
    "async": 0  # 關鍵設定 - 防止狀態過渡死鎖
})

    若缺少此設定的症狀：管道一直停留在 PAUSED 狀態，無法顯示影片。

  11. 內建 Probe 附加規範：measure_fps_probe 只能附加至處理元件（例如 nvinfer、nvosdbin），不能附加至 Sink 元件。若附加至 Sink 會引發 RuntimeError: Probe failure。

  12. 動態 ONNX 模型需要 infer-dims：當 ONNX 模型具備動態輸入形狀時（例如在 Ultralytics YOLO 中匯出時設定了 dynamic=True，或是帶有動態批次/高度/寬度軸），你必須在 nvinfer 設定中加入 infer-dims=C;H;W。若未設定，TensorRT 會將動態維度視為 -1 並報錯 setDimensions: Error Code 3。常見數值：

    • YOLO 模型（640 輸入）：infer-dims=3;640;640
    • 輸入尺寸為 416 的模型：infer-dims=3;416;416
    • 輸入尺寸為 1280 的模型：infer-dims=3;1280;1280

  13. Ultralytics YOLO 輸出格式取決於模型版本——較新的模型（v10+/v26+）輸出 NMS 後的結果；較舊的模型（v8/v11）則輸出原始 NMS 前的 Tensor。自訂 Parser 與 cluster-mode 必須與實際輸出匹配：

模型世代 輸出 Tensor 形狀 欄位 cluster-mode
v8 / v11 [batch, 84, 8400] [features(4+80), anchors] — 未經 NMS 的原始 cx/cy/w/h + 類別分數 2 (NMS)
v10 / v26+ [batch, 300, 6] [max_det, (x1,y1,x2,y2,conf,cls)] — 已完成 NMS，像素座標 4 (無)

如何在執行階段識別：在自訂 Parser 中記錄 inferDims.d[0] 與 inferDims.d[1]。

  • d={84, 8400} → NMS 前（v8/v11 風格）
  • d={300, 6} → NMS 後（v10/v26+ 風格）

不匹配時的症狀：若對 NMS 後的 [N, 6] 輸出使用 cluster-mode: 2，邊界框會比實際物件偏移 45° 或 135°（因為 DeepStream 的 NMS 錯誤地再次處理了已經是最終結果的座標）。
若看到傾斜或旋轉的框，也請檢查 references/nvinfer_config.md 中關於 OBB / rotation_angle 的說明：對於非 OBB 模型，請使用 obj{} 對 NvDsInferObjectDetectionInfo 進行數值初始化，並保持 rotation_angle = 0；單純聲明 NvDsInferObjectDetectionInfo obj; 會導致欄位未初始化。

  1. 虛擬環境必須包含 pyservicemaker：pyservicemaker 是安裝在全域系統中，預設無法直接從標準 Python 虛擬環境存取。當任務需要使用 venv 時（例如安裝模型下載/轉換的 pip 相依套件），務必在 venv 內部安裝 pyservicemaker 與 pyyaml。產生的程式碼與 README 中的 venv 設定步驟必須包含：
    python3 -m venv venv
source venv/bin/activate
pip install /opt/nvidia/deepstream/deepstream/service-maker/python/pyservicemaker*.whl pyyaml
pip install -r requirements.txt  # 其他相依套件
    若缺少此設定的症狀：在 venv 內部執行應用程式時出現 ModuleNotFoundError: No module named 'pyservicemaker'。

關鍵路徑

  • 模型路徑 (Models)：/opt/nvidia/deepstream/deepstream/samples/models/
  • 主要偵測器 (Primary Detector)：/opt/nvidia/deepstream/deepstream/samples/models/Primary_Detector/resnet18_trafficcamnet_pruned.onnx
  • 追蹤器函式庫 (Tracker lib)：/opt/nvidia/deepstream/deepstream/lib/libnvds_nvmultiobjecttracker.so
  • Kafka 函式庫 (Kafka lib)：/opt/nvidia/deepstream/deepstream/lib/libnvds_kafka_proto.so
  • 範例設定檔 (Sample configs)：/opt/nvidia/deepstream/deepstream/samples/configs/deepstream-app/

參考文件

重要事項：請務必閱讀這些文件以取得完整細節。切勿憑記憶產生程式碼。

文件 使用時機
references/gstreamer_plugins.md 查詢外掛程式 (Plugin) 屬性，列出了所有屬性
references/service_maker_api.md 使用 Pipeline/Flow API、元資料存取、Probe、EventMessageUserMetadata
references/use_cases_pipelines.md 建立管道：簡單播放、多模型推論、串接式 GIE
references/streaming_sources.md 使用 nvurisrcbin 擷取本機檔案、HTTP MP4、HLS、MPEG-DASH 或 RTSP 來源
references/kafka_messaging.md Kafka/訊息代理設定、nvmsgconv/nvmsgbroker 設定、msg2p-newapi
references/best_practices.md 設計模式、常見陷阱、反模式 (Anti-patterns)
references/buffer_apis.md BufferProvider/Feeder (注入)、BufferRetriever/Receiver (擷取)
references/media_extractor_advanced.md MediaExtractor、MediaChunk、FrameSampler
references/utilities_config.md PerfMonitor、EngineFileMonitor、SourceConfig、SensorInfo、SmartRecordConfig
references/nvinfer_config.md nvinfer 設定檔格式、所有參數
references/tracker_config.md nvtracker 設定、NvDCF/IOU/DeepSORT/NvSORT
references/troubleshooting.md 錯誤訊息與解決方案
references/rest_api_dynamic.md REST API、動態新增/移除來源、nvmultiurisrcbin
references/metamux_config.md nvdsmetamux 設定、平行多模型推論、元資料合併、來源 ID 過濾
references/docker_containers.md Docker 映像檔、Dockerfile 範例、pyservicemaker 安裝、容器執行命令
references/nvds_msgapi_adapter.md 建立自訂協定轉接器 (Adapter)：nvds_msgapi

快速錯誤參考

錯誤 解決方案
iterator has no len() 使用疊代進行計數，請勿使用 len()
pad template not found 使用 "sink_%u"，勿用 "sink_0"
Queue 資料遺失 搭配 Process 時請使用 multiprocessing.Queue
設定解析失敗 在 YAML 中請使用 property:，而非 model:
is-classifier 廢棄警告 分類器請改用 network-type: 1 替代 is-classifier: 1；偵測器請兩者皆省略
min-boxes 未知鍵警告 在 class-attrs-* 區段中使用 minBoxes (駝峰式命名)，而非 min-boxes
次要 GIE 未啟用 設定 process-mode: 2，並檢查 operate-on-gie-id
Tee/動態來源卡在 PAUSED 在所有 Sink 元件上設定 async: 0
RTSP 無資料/重複連線 使用 ffplay 測試 URL，並檢查憑證
RuntimeError: Probe failure measure_fps_probe 無法附加至 Sink 元件；請改用 nvinfer 或 nvosdbin
setDimensions 負數維度 / Engine 建置失敗 為動態 ONNX 模型新增 infer-dims=C;H;W（例如 infer-dims=3;640;640）
venv 中出現 No module named 'pyservicemaker' 在 venv 內部執行 pip install /opt/nvidia/deepstream/deepstream/service-maker/python/pyservicemaker*.whl pyyaml
AttributeError: object has no attribute 'obj_label' 在 pyservicemaker 中請使用 obj_meta.label，而非 obj_meta.obj_label（C API 名稱與 Python 綁定不同）

<!-- Signing refresh marker. -->