大部分我们在网上看到的 DeepStream 示范，都是用开发包里提供的 deepstream-app 这个应用，然后透过“-c”去指定配置文件，来实现很多 DeepStream 的各种用法，包括同时导入多个输入源、结合多个检测器等等，让我们很轻松地体验到 DeepStream 的强大与易用。

但是 deepstream-app 这个范例为了展现完整的功能，反而不适合开发人员去修改成自己想要的专属应用，当然不是说做不到，而是你必须花费更多时间去解读deepstream_app_main.c、deepstream_app_config_parser.c、deepstream_app.c 这三支代码的所有内容，总计超过 2,200 行，如果能了解透彻绝对有助于驾驭 DeepStream 的绝大部分功能，不过这对初学者来说就太过艰辛了。

事实上 DeepStream 5.0 提供了大约 20 个 C/C++ 所写成的范例代码，存放的位置在 /opt/nvidia/deepstream/deepstream-5.0/sources/apps/sample_apps里，deepstream-app 是其中一个。如果要循序渐进的话，最好参考 DeepStream 开发手册对这些范例的介绍与使用说明，https://docs.nvidia.com/metropolis/deepstream/dev-guide/text/DS_C_Sample_Apps.html。

在 NVID-AIOT 的 github 仓里有非常多基于 DeepStream 框架所开发的应用，几乎都是以 deepstream-test 系列的 C/C++ 代码为基础进行修改，例如“redaction_with_deepstream”遮脸应用、“deepstream_pose_estimation”姿势识别、“deepstream_lpr_app”车牌识别、“Deepstream-Dewarper-App”鱼眼镜头还原应用、“deepstream-occupancy-analytics”人流分析等等。

但是 C/C++ 毕竟不像 Python 那么容易上手，因此 NVIDIA 在 github 上发布 DeepStream 的 Python 范例代码，在 https://github.com/NVIDIA-AI-IOT/deepstream_python_apps 可供自由下载使用，现在我们就在 Jetson Nano 2GB 上下载 DeepStream 的 python 范例，并且执行看看效果如何！

安装 DeepStream 的 Python 开发环境

Python 接口的安装对 DeepStream 而言是个“可选项”，因此安装 DeepStream 的过程并不会自动安装 Python 接口，这部分需要手动处理，请执行以下指令进行安装：

cd /opt/nvidia/deepstream/deepstream-5.0/lib

sudo   python3 setup.py install

执行后会在目录下生成“pyds.so”库文件，后面的 Python 代码中只要加入“import pyds”，就能导入 DeepStream 的 Python 模块开始使用，至于 DeepStream 的 Python API 接口定义细节，请自行参考

https://docs.nvidia.com/metropolis/deepstream/python-api/index.html 里详细的说明。

安装 Gst Python 这个绑定（binding）元件

根据下图 DeepStream Python 应用的执行工作流所示，这个开发环境还需要安装“Gst Python”元件进行“Python Bindings”任务，这样才能执行管道建构（Pipeline Construction）、访问元数据（MetaData Access）与图像数据访问（Image Data Access）等功能。

DeepStream 元数据包含推断结果和分析中使用的其他信息，元数据附加到每个管道组件接收的 Gst 缓冲区，SDK 元数据库是用 C/C++ 开发的，Python 绑定提供了对 Python 应用程序元数据的访问，绑定在编译模块中提供，可用于 x86_64 和 Jetson 平台。

安装的步骤可以在 DeepStream 开发手册“Python Sample Apps Source Detail”中找到（https://docs.nvidia.com/metropolis/deepstream/dev-guide/text/DS_Python_Sample_Apps.html），我们也将安装步骤列在下面：

sudo   apt-get install -y python-gi-dev

export   GST_LIBS="-lgstreamer-1.0 -lgobject-2.0 -lglib-2.0"

export   GST_CFLAGS="-pthread -I/usr/include/gstreamer-1.0   -I/usr/include/glib-2.0 -I/usr/lib/x86_64-linux-gnu/glib-2.0/include"

git   clone https://github.com/GStreamer/gst-python.git

cd   gst-python

git   checkout 1a8f48a

./autogen.sh   PYTHON=python3

./configure   PYTHON=python3

make

sudo   make install

好了，到这里就完成 DeepStream 的 Python 开发环境的配置，现在就可以开始用 Python 语言调用 DeepStream 接口去开发应用了。不过相信绝大部分的读者是不会有耐性，去从零开始学习 DeepStream 的 Python 开发，最简单的方式就是用 NVIDIA 提供的 Python 范例来进行测试与修改。

下载 DeepStream 的 Python App 范例

这部分内容并不包含在 DeepStream 安装包里面，需要从 NVIDIA 提供的开源仓下载，网址在 https://github.com/NVIDIA-AI-IOT/deepstream_python_apps，直接下载就能使用。不过由于这套范例的设定文件，都已做好相关环境的路径配置，因此最好下载到指定的位置（/opt/nvidia/deepstream/deempstream/sources）就可以节省很多路径调整的时间。

请执行以下指令下载 deepstream_python_apps 到本地：

cd   /opt/nvidia/deepstream/deempstream/sources

git clone https://github.com/NVIDIA-AI-IOT/deepstream_python_apps

sudo chmod 777 -R deepstream_python_apps

最后一个步骤，是为了让上我们具备足够的权限去修改这个目录下的文件。

阅读重要文件

在开始进入范例执行之前，建议大家先看一下里面的几个重要文件，您可以直接进入 deepstream_python_app 目录，用自己惯用的编辑器去打开，也可以直接在前面的 github 网页上打开这些文件。

由于文件都是 Markdown 格式（.md），因此在网页上打开阅读会比较方便。这里主要有三个文件，对我们的使用会有很大的帮助：

README.md：这里的内容就是这个项目的总指引，包括前面的架构图等等。需要强调一点，里面虽然表示“支持 SDK 5.1版本”，但实际测试之后其实也支持 5.0 版本，因此已经安装 DeepStream 5.0 版本的人，就不用急着升级。

HOWTO.md：这里面处理前面安装“Gst Python”的步骤之外，下面所提到的技术原理也是非常重要的，对于进一步了解 DeepStream 的工作流是有帮助的，另外关于“元数据存取”的部分，最好也能先行浏览一下。

FAQ.md：这个文件整理了很多问题集，是非常有价值的部分，后面执行过程中遇到的一些问题，就先到这里来看看是否有对应的解决办法。

NVIDIA 的使用手册一向都撰写的非常详细，因此先耐心地阅读这些文件，会得到很多助益。接下来看看想范例的内容有哪些？

DeepStream 的 Python 范例内容：

目前这里提供 12 个 Python 范例，每个范例存放在对应的目录之下，其目录名称与简单功能描述如下列表（名称以目录名为主）：

 deepstream-test1：4 类物件检测功能，输入源为视频文件做

deepstream-test1-usbcam：用 USB 摄像头作为 deepstream-test1 的输入源

deepstream-test1-rtsp-out：用 RTSP 视频流作为 deepstream-test1 输出

deepstream-test2：4 类物件检测+目标追踪+物件属性分类的管道

deepstream-test3：同时执行多视频流输入源的4类物件检测

deepstream-test4：透过 msgbroker 将分析结果发送到云端指定地址

deepstream-imagedata-multistream：结合“图像缓冲区访问”功能的多视频流处理

deepstream- ssd-parser：通过 Triton 执行 ssd 推理，在 Python 进行输出解析

deepstream-opticalflow：以 NumPy 阵列返回流矢量的光流和可视化管道

deepstream-segmentation：NumPy 数组中返回分割掩码的分割与可视化流水线

deepstream-nvdsanalytics：具有分析插件的多流管道

runtime_source_add_delete：在运行时添加/删除源流

以上范例，从最粗浅的单检测器调用/单流输入（视频或 USB 摄像头）/单流输出（显示器或 RTSP），到进阶的多检测器叠加与追踪功能，还有透过 msgbroker 将分析数据上传到云端服务器的范例，以及结合 NVIDIA Triton 推理服务器的资源应用等等，内容相当丰富而且实用，在后面的文章中我们将挑选 5~6 个范例，带着大家去实现并且进行简单的代码说明。

执行第一个 Python 范例：

既然以及安装好 Python 开发环境，我就来执行个最简单得到范例。前面所列范例中的 deepstream-test1 到 deepstream-test4 的功能，与 DeepStream 开发包预安装 C/C++ 版本的 deepstream-test1 到 deepstream-test4 是一样的功能，只是用不同语言去调用而已。

由于 C/C++ 版本的范例执行文件已经都事先编译好，因此我们可以直接在任何路径中进行调用，接下去就执行以下指令，感受以下两种范例的功能是否一致：

cd <路径>/deepstream_python_apps/apps/deepstream-test1

# 这个目录下有个 dstest1_pgie_config.txt

# 执行   deepstream_test_1.py，会以这个目录下的 dstest1_pgie_config.txt   为配置

python3   deepstream_test_1.py ../../../../samples/streams/sample_720p.h264

# 执行   deepstream-test1-app，会以这个目录下的 dstest1_pgie_config.txt   为配置

deepstream-test1-app   ../../../../samples/streams/sample_720p.h264

看看二者所执行的结果是否完全一样（如下截图）？

好了，现在是否清楚这几个 Python 范例与 C/C++ 范例之间的关系！后面将再以其他几个实用范例带着大家一起使用 Python 去实现 DeepStream 的功能。