NVIDIA发布了最新的Deepstream 4.0.
关于Deepstream 4.0的一些新特新和应用，我们之前已经整理了笔记：
NVIDIA Deepstream 4.0笔记（一）：加速基于实时AI的视频和图像分析
NVIDIA Deepstream 4.0笔记（二）：智能零售场景应用
NVIDIA Deepstream 4.0笔记（三）：智能交通场景应用
NVIDIA Deepstream 4.0笔记（四）：工业检测场景应用
NVIDIA Deepstream 4.0笔记（五）：仓储物流场景应用
NVIDIA Deepstream 4.0笔记（完结篇）：如何开始使用Deepstream以及容器
光说不练假把式，光练不说傻把式，不少用户发现在Jetson嵌入式平台上运行Deepstream会遭遇到速度变慢，今天汇总几个常见解决方案：
1
确保Jetson时钟设置高。运行这些命令将Jetson时钟调高。
$ sudo nvpmodel -m --for MAX perf and power mode is 0
$ sudo jetson_clocks
2
pipeline中的某个插件可能运行缓慢。您可以测量pipeline中的每个插件的延迟，以确定是哪个插件很慢。
启用帧延迟测量
$ export NVDS_ENABLE_LATENCY_MEASUREMENT=1
启用对所有插件的处理延迟测量
$ export NVDS_ENABLE_COMPONENT_LATENCY_MEASUREMENT=1
3
在配置文件里的[streammux]选项组里，将batched-push-timeout设定成1/max_fps。例如max_fps是60fps，那么倒数是16.7ms.
4
在配置文件中[streammux] 选项组种，设定成视频流的实际高度和宽度，
（ 可能就能减少一步缩放的过程吧，甚至还能降低功耗）
5
对于RTSP流输入，在配置文件的[streammux]组中，设置live-source=1。还要确保所有[sink#]组的sync属性都设置为0。
6
如果启用了二次推理，请尝试在配置文件的[secondary-gie#]组中增加批大小，以防要推理的对象数量大于批大小设置。
（二次推理的意思是：第一次基于全图像进行目标检测，第二次只针对第一次识别出的区域进行二次推理，比如第一次识别出车的区域，然后第二次针对识别出的车的区域进行推理，识别车类别/颜色）
7
在Jetson上，使用Gst-nvoverlaysink而不是Gst-nveglglessink，因为overlay的不需要使用GPU绘制（输出单元合并即可），GL的需要GPU上（跑shader之类的）
8
如果GPU是性能瓶颈，我们可以增加主检测器的推理时间间隔，通过修改应用程序配置中的[primary-gie]组的interval属性或Gst-nvinfer配置文件的interval属性来实现。（也就是说，GPU用满了，那么可以让主检测网络，原本是10ms推理检测一次，现在改成30ms…)
9
如果pipeline中的元素（估计是各个处理插件），卡死在等待可用的缓冲区上—这点可以通过观察是否CPU/GPU使用率都很低来确定，那么你就可以增加decoder所分配出来的缓冲区数量。请尝试通过设置[source＃]组的num-extra-surfaces属性来增加解码器分配的缓冲区数量,这是 在应用程序或Gst nvv4l2decoder元素的num-extra-surfaces属性中。
10
如果你正在docker里，或者在控制台上运行应用程序，同时FPS性能很低 ,请在配置文件的[sink0]组中设置qos = 0.问题是由初始加载引起的。I/O操作使CPU陷入困境，而qos=1作为[sink0]组的默认属性，decodebin开始丢弃帧。为了避免这种情况，在配置文件中的[sink0]组中设置qos=0。
11
在NVIDIA®Jetson Nano™上，启动deepstream-segmentation-test测试后，几分钟后崩溃。系统重新启动，解决办法：NVIDIA建议您在运行此应用程序时通过DC电源连接器为Jetson模块供电。