发布时间：2023-12-09 19:00
Introduction
Python多个网络摄像头拉流
拉流后使用PyTorch实现的YOLO v3做对象检测
最后需要运行在ARM架构的Jetson TX 2平台上，并且以海康摄像头作为视频源。
HIKVISION multiple IP cameras: Yonv1943/Python
配合其他模型
同样的拉流代码同样可以复用在EfficientDet、YoloV5等模型上，不过模型需要二次封装。
YoloV5: YoloV5工作对性能的对比缺乏参照，但其实现依旧有启发性。推断前使用DataLoader，故而修改时去掉了拉流取图的进程。
测试环境
Intel CPU + NVIDA GPU
视频源：RTSP/RTMP网络摄像头
使用
多网络摄像头拉流 + YOLO v3对象检测
下载YOLO v3预训练模型yolov3.weights
将本项目文件覆盖放入pytorch-yolo-v3文件夹当中
修改settings.py，加入你的摄像头地址
运行：
python run.py # Default detect and display all cameras in one window
python run.py --single_window=False # OR Detect and display in separate windows
single_window默认为True，表示所有画面合并显示到同一个窗口当中
num_cameras默认值为settings.py中的IP列表大小，表示处理所有给定摄像头
仅多摄像头拉流
去掉predict()进程的调用，并且pop_image()显示raw_q中的原图像。也就是说拉流取得的图像直接取出进行显示。
processes = [
mp.Process(target=push_image, args=(raw_q, cam_addr)),
# display images in raw_q instead
mp.Process(target=pop_image, args=(raw_q, window_name)),
]
帧率
摄像头本身具有帧率，而模型检测也存在帧率。摄像头帧率可以通过cv2属性获取：
fps = cap.get(cv2.CAP_PROP_FPS)
另外此处我们采用的帧率计算方法是，直接使用predict()进程的推断时间来计算帧率，此方法包含的耗时，包含队列取图时阻塞的时间，以及模型推断时间。
文件结构
本程序文件当中主要如下：
settings.py：配置IP camera地址列表，画面大小
yolov3.py：pytorch-yolo-v3模型推断的二次封装，不需要变动
preprocess.py：与pytorch-yolo-v3相比，只是添加了prep_frame函数，将图片输入从文件改为cv2图像
其他细节
OpenCV后端选择
系统默认给出了GStreamer进行后端解码。这里我们改为FFMPEG作为后端：
cap = cv2.VideoCapture(cam_addr, cv2.CAP_FFMPEG)
多个网络摄像头如何拉流？
Yonv1943/Python项目当中已经给出了很棒的解答。我们在此基础上进行修改。
考虑对于一个摄像头，由于H.264编码的问题使用多进程实现，多进程间的同步采用共享队列(multiprocessing.Queue)。
push_image(): 拉流，将图片送入raw_queue(未经推断的图片队列)
predict(): 将raw_queue中的图片取出，经模型推断放进pred_queue()(处理后的图片队列)
pop_image(): 将pred_queue中的图片通过OpenCV显示
总结起来，导致程序崩溃的原因可能有：
推断速度慢，与拉流速度不一致: 即进程同步问题。raw_queue当中累积图片多，延时高，甚至队列溢出程序崩溃
网络原因: 断流导致程序崩溃
机器硬件性能不足: 导致创建某些进程失败
最初代码中，作者通过push_image()进程不断抛弃队首图片解决同步问题。
但是实验过程中，程序还会因为断流的原因产生崩溃，故而这里加入重连，得到最终能够长时间稳定运行的push_image()如下：
def push_image(raw_q, cam_addr):
cap = cv2.VideoCapture(cam_addr, cv2.CAP_FFMPEG)
while True:
is_opened, frame = cap.read()
if is_opened:
raw_q.put(frame)
else:
# reconnect
cap = cv2.VideoCapture(cam_addr, cv2.CAP_FFMPEG)
if raw_q.qsize() > 1:
# drop old images
raw_q.get()
else:
# wait for streaming
time.sleep(0.01)
经过上述修改可以长时间稳定运行，缺点是断流时重连耗时，画面卡顿1s左右。
此外，在NVIDIA Jetson TX2上运行时，出现了程序启动后，无法加载几个摄像头画面的问题，例如分开窗口显示时，有一两个摄像头的窗口一直没有创建。但是程序在本地却正常运行。
最后观察发现，由于Jetson TX2内存不足，导致进程无法创建。解决方法：创建内存交换区。目测4个海康摄像头进行YOLO对象检测时，6G交换区足够。
Jetson TX 2 ARM
运行环境
硬件平台: Jetson TX2 ARM
操作系统：Ubuntu 18.04
视频源: 多个海康网络摄像头(RTSP TCP)
Jetson TX2 ARM PyTorch环境的搭建
git clone --recursive以及compile太耗时了！而且板子上网速也慢，读写也慢。好在最终找到了可以用的whl安装包，直接pip install一次成功。
PyTorch .whl downloading & installation on Jetson TX2: Nvidia Forum