随着智慧城市、自动驾驶的快速落地，车辆的检测和识别应用场景非常广泛，如车牌识别、车流统计、车辆属性识别等。
近日，在英伟达x量子位发起的系列CV公开课第一期课程直播中，NVIDIA社区开发者经理何琨老师分享了如何利用TLT 3.0、DeepStream等工具低门槛、快速搭建一个车辆信息识别系统。
分享大纲如下：
· 车辆信息识别任务介绍
· NVIDIA DeepStream SDK简介及其使用
· NVIDIA Transfer Learning Toolkit介绍及其使用
· 实战演示：快速搭建车辆信息识别系统
· 下期直播报名
以下为分享内容整理：
大家好，我来自NVIDIA开发者社区，今天的分享内容是“快速搭建基于Python的车辆信息识别系统”。
今天的分享仍然以一个具体的项目来做实例，包含源码和部署流程，课后会把课程PPT、源码分享给大家（见文末），希望大家能够有所收获。
首先，通过这个动图说明我们今天“车辆信息识别”的任务，首先我们需要检测到车辆，然后检测到这辆车的车牌并识别；另外我们还需要识别这辆车的颜色、品牌、类型等。这就是我们今天课程的任务，我们可以将上述任务拆解为5个小任务：
1.检测到车辆
2.识别车类型
3.识别车品牌
4.检测到车牌
5.识别车牌号
我将分两部分演示这5个小任务。一部分是完成车辆检测，车牌检测与识别；另一部分是识别车辆品牌与车辆型号。
拿到这个任务，首先我们需要考虑采用什么样的数据集；其次在训练过程中还要考虑在什么框架下完成训练，如何对模型进行剪枝、优化；模型训练完成后，还需要考虑部署到哪里，比如服务器终端还是一些嵌入式产品。
首先，是数据的准备部分。NVIDIA提供的是一些美国车牌的视频，跟国内车牌有一些区别。大家在实际训练中，可以自行收集更合适的数据集。
其次，为快速完成一个模型训练，需要用到迁移学习工具：Transfer Learning Toolkit（TLT）。
最后，部署模型时，可以使用DeepStream工具便捷实现。
在今天的示例展示开始前，先为大家介绍一下这两个工具的功能及如何使用。
DeepStream是NVIDIA专门为视觉相关的应用来设计的一整套工具链，集成了很多工具。
它的核心任务之一是帮用户搭建视频应用的完整产业链。当我们要做一个基于视觉的应用时，我们不只是在训练一个模型，还需要处理很多流程，比如编解码、批处理等，DeepStream可以帮助用户完成这些流程。
如上图，最底层基础部分，NVIDIA有一系列的硬件；
再往上看，在不同硬件部署时，我们可以再采用不同的基于CUDA-X的工具，比如要做视频的编、解码可能用到CUDA，做视频的inference时可以用到TensorRT、Triton Inference Server，不同的工具对应不同的调用方式；
大家用DeepStream搭建系统时，只需要调用DeepStream SDK这一个应用，它是一系列软件搭建起来的工具的集合，并且可以投产于真实的项目中。
说明文档：https://docs.nvidia.com/metropolis/deepstream/dev-guide/text/DS_Quickstart.html#quickstart-guide
具体看下DeepStream SDK每一步的处理过程。
我们要搭建一个基于视觉应用的程序，第一步是数据源。今天我们展示的实例代码是基于本地的视频，大家也可以使用不同的视频源，都可以接入到SDK系统里。
第二步，对视频源的数据进行处理。包括Code、DeCode的过程，使程序、算法能够直接使用和识别数据。这一步可以极大提升我们的处理效率、节省时间。
第三步，视频预处理，包括缩放、剪切、调整分辨率等。
第四步，Batching，即设置一定延迟，将几张图片组合起来，组成一张大图再传输给GPU，同时处理多张图片来提高效率。
第五步，深度学习推理任务。这里可以使用您已有的模型、或者NVIDIA提供的预训练模型等，不需要再从头开始进行训练。推理主要包含检测、识别、图像分割三部分，今天的课程任务都会涵盖到。
推理完成后，还可以进行二级推理网络或者多级网络的搭建。比如今天的课程任务，检测到车辆后，再在检测框里检测车牌，就是二级网络。接下来可能还要识别车牌号，这个识别网络就是三级网络。
第六步，深度学习的结果出来之后，针对某些需要Tracking的任务，DeepStream里边也已经内置了相应模块，直接调用就可以进行跟踪任务的处理。
这时，主要的计算任务就完成了，第七步就需要将结果显示出来，比如显示在屏幕上、传输到远端，或者储存为本地的文件。（今天直播里我们将用到一个嵌入式设备—NX来显示画面，将处理完的视频存到本地后播放。）
以上就是一套完整的流程，我们通过使用DeepStream SDK，只需100多行代码就可以实现整个流程。
上图是关于DeepStream的注意事项，大家在实际应用的时候，可以参考相关内容、应用场景等。
TensorRT是英伟达专门为GPU深度学习推理设置的一个工具（相关课程可参考英伟达开发者社区：https://www.nvidia.cn/developer/online-training/community-training/），可以帮助GPU更快的做深度学习推理任务。
它会在内部做一系列优化，如精度校正，动态Memory，多流的执行，Kernel调用，网络层融合计算等。正是通过这一系列优化，生成了可执行的推理引擎，就可以进行一个深度学习推理任务。
接下来介绍一下NVIDIA Transfer Learning Toolkit（TLT）工具。
上述介绍了部署工具，那么如何得到推理引擎呢？这就需要用到TLT工具（目前版本已更新至TLT 3.0）。
TLT 3.0是一个简单的、集成化的工具，可以帮助大家快速地训练一个模型，并且把这个模型转化成TensorRT或者DeepStream可以直接使用的深度学习推理引擎。
TLT 3.0为开发者提供了一系列的预训练模型，并且提供了一系列工具，大家可以在预训练模型的基础上进行模型训练、调整、剪枝，以及导出模型进行部署等。而且大家可以通过简单的几行代码来实现上述功能。
目前，TLT 3.0已经涵盖了很多内容，在视觉、语音等方面都有很多可以实际应用的模型。
我们今天的主题是“车辆信息识别”，课程任务中主要会涉及图像分类、目标检测和图像分割方面的预训练模型，大家都可以去NGC下载（ngc.nvidia.com）。
接下来，何琨老师通过代码演示，带大家实现了“车辆信息识别”任务。大家可观看视频、继续学习：
直播回放：
源代码下载链接：
Python：https://github.com/NVIDIA-AI-IOT/deepstream_python_apps
C：https://github.com/NVIDIA-AI-IOT/deepstream_lpr_app
课程PPT链接：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 —
“
