使用docker部署Deepstream6.1+yolov5+Kafka

一、拉取Deepstream6.1和yolov5镜像

这里拉取的是如下图所示的两个镜像：

二、创建容器

# 创建deepstream容器
docker run --gpus all  -itd -p 127.0.0.1:6666:6666 -p 31:22  --shm-size=5g  -v /tmp/.X11-unix:/tmp/.X11-unix  -e GDK_SCALE -e GDK_DPI_SCALE -e DISPLAY=:1 nvcr.io/nvidia/deepstream:6.1-triton、

# 创建yolov5容器
docker run -itd --init --gpus all --ipc=host --name yolov5Deepstream -p 40:22 -p 6006:6006 -p 8888:8888 --privileged=true ultralytics/yolov5:latest

三、进入yolov5容器内部进行模型转换

1. 下载DeepStream-Yolo项目
   下载Deepstream-Yolo项目
   将下载好的DeepStream-Yolo项目解压，将其中的utils文件夹下的gen_wts_yoloV5.py拷贝到yolov5容器中的/usr/src/yolov5目录下
2. 下载模型文件
   模型文件下载地址
   根据自己的需要下载，我下载的是yolov5n.pt，下载好之后把文件放到/usr/src/yolov5文件下
   
3. 模型转换
   进入到yolov5容器中，在/usr/src/yolov5目录下执行如下代码，生成yolov5n.cfg，yolov5n.wts文件

	python gen_wts_yoloV5.py -w  ./yolov5n.pt -c ./models/yolov5n.yaml

4. Deepstream部署yolov5
   进入到Deepstream容器中，将下载好的DeepStream-Yolo项目放到如下目录中/opt/nvidia/deepstream/deepstream-6.1/sources
   
   进入到DeepStream-Yolo文件夹中，将yolov5n.cfg，yolov5n.wts这两个文件放到里面
   

• 修改deepstream_app_config.txt

	config-file=config_infer_primary_yoloV5.txt

• 修改config_infer_primary_yoloV5.txt 中的

	custom-network-config=yolov5n.cfg
	model-file=yolov5n.wts

• 运行DeepStream案例

	#运行deepstream案例
	deepstream-app -c deepstream_app_config.txt

首次运行 Build Engine 会比较久，会根据config_infer_primary_yoloV5.txt构建模型；后续可以注释掉：
custom-network-config=yolov5n.cfg
model-file=yolov5n.wts

四、使用自己的权重文件

方法一：这种方法虽然可以生成engine文件，但是我这里不知到为什么运行不起来

1. 去GitHub上去下载模型转换工具，地址如下：

模型转换工具下载地址 这里需要注意的是要下载和自己权重文件yolov5版本匹配的模型转换工具，比如你训练所用的yolov5所用的版本是5.0，那么你下载的模型转换工具所对应的版本也是5.0

2. 进入到yolov5的docker容器中，将下载好的权重文件转换工具放到里面，然后解压：
   
3. 安装open CV
   想要使用模型转换工具必须要安装opencv，我这里用到的是open CV4.2的版本，安装包和里面用到的东西我都放在下面的链接里

	 https://pan.baidu.com/s/1nIZuaT65_9vST5RVKe_LKg 
	 提取码: e4un 

• 首先在yolov5的容器里创建一个opencv文件夹

	mkdir opencv

• 然后将opencv-4.2.0和opencv_contrib-4.2.0这两个压缩包解压，并把剩下的文件都放到opencv中，如下：
  
• 进入到opencv-4.2.0中，按如下操作：

	# 安装依赖包
	sudo apt-get install build-essential cmake unzip pkg-config
	sudo apt-get install libjpeg-dev libpng-dev libtiff-dev
	sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
	sudo apt-get install libxvidcore-dev libx264-dev
	sudo apt-get install libgtk-3-dev
	sudo apt-get install libatlas-base-dev gfortran
	sudo apt-get install python3-dev
	# 创建build文件
	mkdir build
	cd build
	# cmake一下
	cmake -D CMAKE_BUILD_TYPE=Release -D OPENCV_GENERATE_PKGCONFIG=YES -D CMAKE_INSTALL_PREFIX=/usr/local/ -D OPENCV_EXTRA_MODULES_PATH=/usr/src/opencv/opencv_contrib-4.2.0/modules/ ..
	# 编译和安装
	make -j8
	sudo make install

这里如果报错的话，可能就是某某文件找不到或者是某某文件无法下载，找到对应的报错的.cpp文件，然后修改对应的头文件路径，改成刚刚放到opencv这个文件夹的路径

4. 将权重文件转换成wts文件

将文件tensorrtx/yolov5/gen_wts.py 复制到yolov5文件夹下。
cd 进入yolov5文件夹下
执行命令生成 yolov5s.wts 文件
这里为了好说明，使用yolov5s作为例子讲解，yolov5s可以换成自己的模型

	python gen_wts.py -w yolov5s.pt

5. 生成engine文件

	# 进入到tensorrtx/yolov5，创建build文件夹然后构建
	cd tensorrtx/yolov5
	mkdir build
	cd build
	cmake ..
	make
	# copy文件yolov5s.wts文件到tensorrtx/yolov5/build目录下生成yolov5s.engine
	sudo ./yolov5 -s yolov5s.wts yolov5s.engine s
	# sudo ./yolov5 -s [.wts] [.engine] [s/m/l/x/s6/m6/l6/x6 or c/c6 gd gw]

方法二：注意版本匹配

我这里用的是基于yolov5s训练的自己的模型，版本是yolov5.5.0。

1. 创建一个yolov5.v5.0版本的容器

	docker pull ultralytics/yolov5:v5.0
	docker run -itd --init --gpus all --ipc=host --name yolov5Deepstream -p 40:22 -p 6006:6006 -p 8888:8888 --privileged=true ultralytics/yolov5:v5.0

2. 找到自己训练的项目中的yolov5s.yaml(你自己训练的模型是什么，就找什么yaml文件)，对yaml进行修改，我这里训练的种类有12种，就将nc改为12
   
3. 进入yolov5容器中，将刚刚修改完毕的yolov5s.yaml文件拷贝到容器中，将DeepStream-Yolo项目中的utils文件夹下的gen_wts_yoloV5.py拷贝到yolov5容器中，并执行如下命令：

	# 其中的yolov5s.pt换成自己训练的模型权重
	python gen_wts_yoloV5.py -w yolov5s.pt -c ./yolov5s.yaml

4. 然后会生成一个yolov5_你的权重文件名字.wts和yolov5_你的权重文件名字.cfg文件，将这两个文件复制到DeepStream-Yolo中，编写config_infer_gang.txt和deepstream_app_gang_config.txt文件
   
5. 编写完之后运行，运行完之后就会生成engine文件，然后回出现识别结果，我这里训练的样本有限，精度不够识别结果不是很好。

	deepstream-app -c deepstream_app_gang_config.txt

五、通过Kafka发送消息

• 修改deepstream_app_config.txt
  添加一个sink按如下配置

	[sink1]
	enable=1
	type=6
	msg-conv-config=dstest5_msgconv_sample_config.txt
	msg-conv-payload-type=1
	msg-broker-proto-lib=/opt/nvidia/deepstream/deepstream-6.1/lib/libnvds_kafka_proto.so
	msg-broker-conn-str=你的Kafka地址ip;9092;video
	topic=video

如果报错说找不到dstest5_msgconv_sample_config.txt文件，可以从/opt/nvidia/deepstream/deepstream-6.1/sources/apps/sample_apps/deepstream-test5/configs找到该文件，然后复制到deepstream_app_config.txt 所在的目录下

• dstest5_msgconv_sample_config.txt的作用
  dstest5_msgconv_sample_config.txt的结构如下，这里的一个sensor和deepstream_app_config.txt中的一个source对应，例如你有多个摄像头，每个摄像头有唯一的编号，需要向Kafka发送摄像头的编号信息，那么就将sensor中的id改成对应的摄像头编号即可，一个source对应一个摄像头的地址流，一个sensor对应一个source，这样就可以将摄像头的id发送到Kafka中去，最后进行统计。

	[sensor0]
	enable=1
	type=Camera
	id=1
	location=45.293701447;-75.8303914499;48.1557479338
	description=Aisle Camera
	coordinate=5.2;10.1;11.2
	
	[sensor1]
	enable=1
	type=Camera
	id=2
	location=45.293701447;-75.8303914499;48.1557479338
	description=Aisle Camera
	coordinate=5.2;10.1;11.2
	
	[sensor2]
	enable=1
	type=Camera
	id=3
	location=45.293701447;-75.8303914499;48.1557479338
	description=Aisle Camera
	coordinate=5.2;10.1;11.2
	
	[sensor3]
	enable=1
	type=Camera
	id=HWY_20_AND_LOCUST__4_11_2018_4_59_59_320_AM_UTC-07_00
	location=45.293701447;-75.8303914499;48.1557479338
	description=Aisle Camera
	coordinate=5.2;10.1;11.2
	
	[place0]
	enable=1
	id=0
	type=intersection/road
	name=HWY_20_AND_LOCUST__EBA
	location=30.32;-40.55;100.0
	coordinate=1.0;2.0;3.0
	place-sub-field1=C_127_158
	place-sub-field2=Lane 1
	place-sub-field3=P1
	
	[place1]
	enable=1
	id=1
	type=intersection/road
	name=HWY_20_AND_LOCUST__WBA
	location=30.32;-40.55;100.0
	coordinate=1.0;2.0;3.0
	place-sub-field1=C_127_158
	place-sub-field2=Lane 1
	place-sub-field3=P1
	
	[place2]
	enable=1
	id=2
	type=intersection/road
	name=HWY_20_AND_DEVON__WBA
	location=30.32;-40.55;100.0
	coordinate=1.0;2.0;3.0
	place-sub-field1=C_127_158
	place-sub-field2=Lane 1
	place-sub-field3=P1
	
	[place3]
	enable=1
	id=3
	type=intersection/road
	name=HWY_20_AND_LOCUST
	location=30.32;-40.55;100.0
	coordinate=1.0;2.0;3.0
	place-sub-field1=C_127_158
	place-sub-field2=Lane 1
	place-sub-field3=P1
	
	[analytics0]
	enable=1
	id=XYZ_1
	description=Vehicle Detection and License Plate Recognition
	source=OpenALR
	version=1.0
	
	[analytics1]
	enable=1
	id=XYZ_2
	description=Vehicle Detection and License Plate Recognition 1
	source=OpenALR
	version=1.0
	
	[analytics2]
	enable=1
	id=XYZ_3
	description=Vehicle Detection and License Plate Recognition 2
	source=OpenALR
	version=1.0
	
	[analytics3]
	enable=1
	id=XYZ_4
	description=Vehicle Detection and License Plate Recognition 4
	source=OpenALR
	version=1.0

• 运行

	deepstream-test5-app -c deepstream_app_config.txt
	当上面的msg-conv-payload-type=1中的参数为1的时候得到如下结果，得到的是一个简易的信息 

• Kafka接收到的消息（当上面的msg-conv-payload-type=1中的参数为1的时候，得到的是一个简易的信息）
  
• 当上面的msg-conv-payload-type=0中的参数为0的时候，得到的是一个完整的信息
  
  

六、deepstream结构文件说明

1、整体结构

	.
	├── samples
	│   ├── configs
	│   │   └── deepstream-app
	│   ├── models
	│   │   ├── Primary_Detector
	│   │   ├── Primary_Detector_Nano
	│   │   ├── Secondary_CarColor
	│   │   ├── Secondary_CarMake
	│   │   ├── Secondary_VehicleTypes
	│   │   └── Segmentation
	│   │       ├── industrial
	│   │       └── semantic
	│   └── streams
	└── sources
	    ├── apps
	    │   ├── apps-common
	    │   │   ├── includes
	    │   │   └── src
	    │   └── sample_apps
	    │       ├── deepstream-app
	    │       ├── deepstream-dewarper-test
	    │       │   └── csv_files
	    │       ├── deepstream-gst-metadata-test
	    │       ├── deepstream-image-decode-test
	    │       ├── deepstream-infer-tensor-meta-test
	    │       ├── deepstream-nvof-test
	    │       ├── deepstream-perf-demo
	    │       ├── deepstream-segmentation-test
	    │       ├── deepstream-test1
	    │       ├── deepstream-test2
	    │       ├── deepstream-test3
	    │       ├── deepstream-test4
	    │       ├── deepstream-test5
	    │       │   └── configs
	    │       └── deepstream-user-metadata-test
	    ├── gst-plugins
	    │   ├── gst-dsexample
	    │   │   └── dsexample_lib
	    │   ├── gst-nvinfer
	    │   ├── gst-nvmsgbroker
	    │   └── gst-nvmsgconv
	    ├── includes
	    ├── libs
	    │   ├── amqp_protocol_adaptor
	    │   ├── azure_protocol_adaptor
	    │   │   ├── device_client
	    │   │   └── module_client
	    │   ├── kafka_protocol_adaptor
	    │   ├── nvdsinfer
	    │   ├── nvdsinfer_customparser
	    │   └── nvmsgconv
	    ├── objectDetector_FasterRCNN
	    │   └── nvdsinfer_custom_impl_fasterRCNN
	    ├── objectDetector_SSD
	    │   └── nvdsinfer_custom_impl_ssd
	    ├── objectDetector_Yolo
	    │   └── nvdsinfer_custom_impl_Yolo
	    └── tools
	        └── nvds_logger

2、samples文件夹

samples文件夹中含有三个子文件夹，分别是configs、models、streams文件夹，分别表示示例配置文件、运行示例应用程序的模型及流媒体文件目录

2.1 configs子文件夹

configs文件夹下是deepstream-app的各种配置文件

	.
	├── configs
	│   └── deepstream-app
	│       ├── config_infer_primary_nano.txt（在nano上将 nvinfer 元素配置为主要检测器）
	│       ├── config_infer_primary.txt（将 nvinfer 元素配置为主要检测器）
	│       ├── config_infer_secondary_carcolor.txt（将 nvinfer元素配置为辅助分类器）
	│       ├── config_infer_secondary_carmake.txt（将 nvinfer元素配置为辅助分类器）
	│       ├── config_infer_secondary_vehicletypes.txt（将 nvinfer元素配置为辅助分类器）
	│       ├── iou_config.txt（配置一个低级的IOU（联合上的交集）跟踪器）
	│       ├── source1_usb_dec_infer_resnet_int8.txt（演示一个USB摄像机作为输入）
	│       ├── source30_1080p_dec_infer-resnet_tiled_display_int8.txt    
	│       │  （演示30路1080P视频输入解码、推理、显示）
	│       ├── source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8_gpu1.txt
	│       │  （演示在gpu1上4路1080P视频输入解码、推理、跟踪、显示）                                      
	│       ├── source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt
	│       │  （演示4路1080P视频输入解码、推理、跟踪、显示）
	│       └── tracker_config.yml

2.2 models子文件夹

	├── models
	│   ├── Primary_Detector（一级检测器）
	│   │   ├── cal_trt.bin
	│   │   ├── labels.txt
	│   │   ├── resnet10.caffemodel
	│   │   └── resnet10.prototxt
	│   ├── Primary_Detector_Nano（一级检测器，适用于nano）
	│   │   ├── labels.txt
	│   │   ├── resnet10.caffemodel
	│   │   └── resnet10.prototxt
	│   ├── Secondary_CarColor（二级检测器，车辆颜色分类）
	│   │   ├── cal_trt.bin
	│   │   ├── labels.txt
	│   │   ├── mean.ppm
	│   │   ├── resnet18.caffemodel
	│   │   └── resnet18.prototxt
	│   ├── Secondary_CarMake（二级检测器，车辆颜色分类）
	│   │   ├── cal_trt.bin
	│   │   ├── labels.txt
	│   │   ├── mean.ppm
	│   │   ├── resnet18.caffemodel
	│   │   └── resnet18.prototxt
	│   ├── Secondary_VehicleTypes（二级检测器，车辆种类分类）
	│   │   ├── cal_trt.bin
	│   │   ├── labels.txt
	│   │   ├── mean.ppm
	│   │   ├── resnet18.caffemodel
	│   │   └── resnet18.prototxt
	│   └── Segmentation（分割模型）
	│       ├── industrial
	│       │   └── unet_output_graph.uff
	│       └── semantic
	│           └── unetres18_v4_pruned0.65_800_data.uff

2.3 streams子文件夹

该文件夹主要包含一些测试文件，文件对应的类型如图所示

3 、sources文件夹

该文件夹中包含各种示例程序和插件的源代码，主要有以下几个文件夹，我们能用到的主要是apps中的sample_app示例代码、gst-plugins和三种目标检测器

	.
	├── apps（deepstream-app的测试代码）
	├── gst-plugins（gstreamer插件）
	├── includes（各种头文件）
	├── libs（各种库）
	├── objectDetector_FasterRCNN（faster rcnn目标检测器）
	├── objectDetector_SSD（SSD目标检测器）
	├── objectDetector_Yolo（yolo目标检测器）
	└── tools（日志工具）

3.1 apps子文件夹

	sample_apps
	├── deepstream-app
	├ 端到端示例演示了4级联神经网络(1个一级检测器和3个二级分类器)的多相机流，并显示平铺输出。
	├── deepstream-dewarper-test
	├ 演示单个或多个360度摄像机流的扭曲功能。从CSV文件读取相机校准参数，
	├ 并在显示屏上渲染过道和斑点表面。
	├── deepstream-gst-metadata-test
	├ 演示如何在DeepStream管道中的Gst-nvstreammux插件之前设置元数据，
	├ 以及如何在Gst-nvstreammux之后访问元数据。
	├── deepstream-image-decode-test
	├ 建立在deepstream-test3上，以演示图像解码而不是视频。本示例使用自定义解码箱，
	├ 因此可以将MJPEG编解码器用作输入。
	├── deepstream-infer-tensor-meta-test
	├ 演示如何将nvinfer张量输出作为元数据传递和访问。
	├── deepstream-nvof-test
	├ 演示单个或多个流的光流功能。本示例使用两个GStreamer插件（Gst-nvof和Gst-nvofvisual）。
	├ Gst-nvof元素生成MV（运动矢量）数据并将其作为用户元数据附加。Gst-nvofvisual元素使用
	├ 预定义的色轮矩阵可视化MV数据。
	├── deepstream-perf-demo
	├ 对目录中的所有流顺序执行单通道级联推理和对象跟踪。
	├── deepstream-segmentation-test
	├ 演示使用语义或工业神经网络对多流视频或图像进行分割，并将输出呈现到显示器。
	├── deepstream-test1
	├ 有关如何对单个H.264流使用DeepStream元素的简单示例：filesrc→decode解码→nvstreammux→nvinfer
	├ （主检测器）→nvosd→renderer渲染器。
	├── deepstream-test2
	├ 简单的应用程序，建立在test1之上，显示额外的属性，如跟踪和二级分类属性。
	├── deepstream-test3
	├ 基于deepstream-test1（简单测试应用程序1）构建，以演示如何：
	├ •在管道中使用多个来源
	├ •使用uridecodebin接受任何类型的输入（例如RTSP /文件），任何GStreamer支持的容器格式以及任何编解码器
	├ •配置Gst-nvstreammux生成一批帧并推断出这些帧以提高资源利用率
	├ •提取流元数据，其中包含有关批处理缓冲区中的帧的有用信息
	├── deepstream-test4
	├ 基于deepstream-test1 构建单个H.264流：filesrc，decode，nvstreammux，nvinfer，nvosd， renderer演示如何：
	├ •在管道中使用Gst-nvmsgconv和Gst-nvmsgbroker插件
	├ •创建NVDS_META_EVENT_MSG类型的元数据并将其附加到缓冲区
	├ •将 NVDS_META_EVENT_MSG用于不同类型的对象，例如车辆和人
	├ •实现元数据通过extMsg字段扩展的“复制”和“免费”功能
	├── deepstream-test5
	├ 建立在deepstream-app之上。展示：
	├ •在管道中将Gst-nvmsgconv和Gst-nvmsgbroker插件用于多流
	├ •如何从配置文件中将Gst-nvmsgbroker插件配置为接收器插件（适用于KAFKA，Azure等）
	├ •如何处理来自RTSP服务器或摄像机的RTCP发送者报告，以及如何将Gst Buffer PTS转换为UTC时间戳。
	├ 欲了解更多详情，请参阅该RTCP发送者报告回调函数test5_rtcp_sender_report_callback注册和使用的 deepstream_test5_app_main.c。
	├ 使用rtpmanager元素的“ handle-sync”信号进行GStreamer回调注册的过程记录在apps-common /src / deepstream_source_bin.c中。
	├──deepstream-user-metadata-test
	├ 演示如何向DeepStream的任何组件中添加自定义或用户特定的元数据。测试代码将一个填充有用户
	├ 数据的16字节数组附加到所选组件。数据在另一个组件中检索。

3.2 gst-plugins子文件夹

	gst-plugins
	├── gst-dsexample（模板插件，用于将自定义算法集成到DeepStream SDK图形中）
	│   └── dsexample_lib
	├── gst-nvinfer（用于推理的GStreamer Gst-nvinfer插件的源代码）
	├── gst-nvmsgbroker（GStreamer Gst-nvmsgbroker插件的源代码，用于将数据发送到服务器）
	└── gst-nvmsgconv（GStreamer Gst-nvmsgconv插件的源代码，用于将元数据转换为架构格式。）

3.3 libs子文件夹

	libs
	├── amqp_protocol_adaptor(测试AMQP的应用程序。)
	├── azure_protocol_adaptor(测试Azure MQTT的应用程序。)
	│   ├── device_client
	│   └── module_client
	├── kafka_protocol_adaptor（测试Kafka的应用程序）
	├── nvdsinfer（NvDsInfer 库的源代码，由Gst-nvinfer GStreamer插件使用。）
	├── nvdsinfer_customparser（用于检测器和分类器的定制模型输出解析示例）
	└── nvmsgconv（Gst-nvmsgconv GStreamer插件所需的NvMsgConv库的源代码）

七、配置文件说明

• config_infer_primary_yoloV5.txt
  主要用于模型转换配置，是属于模型层面的配置。

	[property]
	gpu-id=0
	net-scale-factor=0.0039215697906911373
	##0=RGB, 1=BGR
	model-color-format=0
	#custom-network-config=yolov3-tiny.cfg
	#model-file=yolov3-tiny.weights
	model-engine-file=model_b4_gpu0_fp16.engine
	labelfile-path=labels.txt
	batch-size=4
	##0=FP32, 1=INT8, 2=FP16 mode
	network-mode=2
	##检测类别数
	num-detected-classes=80
	gie-unique-id=1
	network-type=0
	is-classifier=0
	##1=DBSCAN, 2=NMS, 3= DBSCAN+NMS Hybrid, 4 = None(No clustering)
	cluster-mode=2
	maintain-aspect-ratio=1
	parse-bbox-func-name=NvDsInferParseCustomYoloV3Tiny
	custom-lib-path=nvdsinfer_custom_impl_Yolo/libnvdsinfer_custom_impl_Yolo.so
	engine-create-func-name=NvDsInferYoloCudaEngineGet
	#scaling-filter=0
	#scaling-compute-hw=0
	[class-attrs-all]
	##几项阈值
	nms-iou-threshold=0.4
	threshold=0.4

• deepstream_app_config.txt
  1.主要用于deepstream相关视频和显示的配置，是属于应用层的配置。

	#这是总的显示UI控制；rows和columns控制画布，这里2*2就是4路；width和height是分辨率；
	[tiled-display]
	enable=1
	rows=2
	columns=2
	width=1280
	height=720
	gpu-id=0
	#(0): nvbuf-mem-default - Default memory allocated, specific to particular platform
	#(1): nvbuf-mem-cuda-pinned - Allocate Pinned/Host cuda memory, applicable for Tesla
	#(2): nvbuf-mem-cuda-device - Allocate Device cuda memory, applicable for Tesla
	#(3): nvbuf-mem-cuda-unified - Allocate Unified cuda memory, applicable for Tesla
	#(4): nvbuf-mem-surface-array - Allocate Surface Array memory, applicable for Jetson
	nvbuf-memory-type=0
	
	#source和sink是一一对应的关系；这里1组是USB相机的显示
	
	[source1]
	#是否开启
	enable=1
	#Type - 1=CameraV4L2 2=URI 3=MultiURI
	type=1
	#相机相关参数
	camera-width=640
	camera-height=480
	camera-fps-n=30
	camera-fps-d=1
	#相机对应dev的节点
	camera-v4l2-dev-node=0
	————————————————————————
	[sink1]
	#是否开启
	enable=1
	#Type - 1=FakeSink 2=EglSink 3=File 4=RTSPStreaming 5=Overlay
	type=5
	sync=0
	display-id=0
	offset-x=0
	offset-y=0
	width=0
	height=0
	overlay-id=1
	source-id=1
	
	[source0]
	#是否开启
	enable=1
	#1：相机（V4L2）2：URI 3：MultiURI（复用URI）４：RTSP ５：相机（CSI）（只针对Jetson）
	#Type - 1=CameraV4L2 2=URI 3=MultiURI 4=RTSP
	type=3
	#编码流的URI。可以是文件，HTTP URI, RTSP．只有type=2和3的时候有效。
	uri=file://…/…/samples/streams/2.mp4
	#资源数，只有当type=3时有效
	num-sources=2
	#丢帧的间隔； 2帧输出一次，0表示没有丢帧。
	drop-frame-interval=2
	#使用的gpu-id gpu-id=0
	#(0): memtype_device - Memory type Device
	#(1): memtype_pinned - Memory type Host Pinned
	#(2): memtype_unified - Memory type Unified cudadec-memtype=0
	————————————————————————————————
	[sink0]
	#是否开启
	enable=1
	#1：Fakesink 2：基于EGL的窗口接收器（nveglglessink） 3：编码+文件保存（编码器+混合器+ filesink）4：编码+ RTSP流 5：叠加层（仅适用于Jetson） 6：消息转换器+消息代理；
	#Type - 1=FakeSink 2=EglSink 3=File ；
	type=2
	#渲染流速度。0：尽可能快 1：同步 ；
	sync=1
	source-id=0
	gpu-id=0
	#0:平台默认类型 1:pinned/主机CUDA内存 2:device CUDA memory 3: unified CUDA memory 4:nvbuf-memory-type=0
	
	#OSD主要控制页面上的文本和框体，这里不是很理解未来再补
	[osd]
	#是否开启
	enable=1
	gpu-id=0
	border-width=1
	text-size=15
	text-color=1;1;1;1;
	text-bg-color=0.3;0.3;0.3;1
	font=Serif
	show-clock=0
	clock-x-offset=800
	clock-y-offset=820
	clock-text-size=12
	clock-color=1;0;0;0
	nvbuf-memory-type=0

八、问题

1. Linux中display没有开启
   
   退出容器，在服务器中执行xhost +，提示“access control disabled, clients can connect from any host”
   进入容器，再去执行命令，则程序正常运行

九、插件说明

1. Gst-nvinfer

Gst-nvinfer 配置文件使用
https://specifications.freedesktop.org/desktop-entry-spec/latest中描述的“密钥文件”格式。
[ property ]组配置插件的一般行为。这是唯一的强制性小组。
[Class-attrs-all]组为所有类配置检测参数。
[ class-attrs-< class-id > ]组为 < class-id >指定的类配置检测参数。例如，[ class-attrs-23]组为类 ID23配置检测参数。这种类型的组具有与[ class-attrs-all ]相同的键。下面两个表分别描述了[ property ]组和[ class-attrs-…]组支持的键。