Pipelines d'analyse vidéo — DeepStream 9.1
DeepStream est le SDK de NVIDIA pour construire des pipelines d'analyse vidéo intelligente (IVA) accélérés, et DeepStream 9.1 est la version qui s'exécute sur Jetson Orin sous JetPack 7.2. Cette page couvre la correspondance des versions, les voies d'installation, les limites de décodage, les attentes de première exécution, la sortie RTSP headless et les notes mémoire pour le kit de développement Orin Nano Super 8 GB.
1. Correspondance des versions
DeepStream 9.1 ↔ JetPack 7.2 GA ↔ L4T 39.2 ↔ CUDA 13.2 ↔ TensorRT 10.16.1.7 ↔ GStreamer 1.24.2 (image Docker deepstream:9.1), comme indiqué dans le tableau Platform and OS Compatibility du DeepStream Installation Guide.
DeepStream 8.0 et 9.0 ne listaient que l'AGX Thor ; 9.1 est la première version 9.x dont la ligne inclut Jetson Orin (« AGX Thor, Jetson Orin ») — la ligne dit « Jetson Orin » en tant que groupe ; des lignes antérieures (DS 6.3 à DS 7.1) nommaient explicitement « Orin nano ». Aucune note de version 9.1 confirmant spécifiquement l'Orin Nano n'a été trouvée — considérez la prise en charge comme implicite via le libellé de groupe (non encore confirmée). Kit de référence : JetPack 7.2.1 / L4T r39.2.1.
2. Ce que ce kit peut décoder
Le décodeur Gst-nvvideo4linux2 utilise le moteur matériel NVDEC et prend en charge H.264, H.265, AV1, JPEG et MJPEG. Capacités publiées du module Orin Nano :
| Capacité | Spécification |
|---|---|
| Décodage vidéo (H.265) | 1x 4K60 · 2x 4K30 · 5x 1080p60 · 11x 1080p30 |
| Encodage vidéo | Pas d'encodeur matériel — « 1080p30 pris en charge par 1 à 2 cœurs CPU » |
| DLA · PVA | Aucun |
L'inférence s'exécute dans le plugin Gst-nvinfer sur des moteurs TensorRT : modèles FP16, FP32 et INT8 (FP16 et INT8 dépendent de la plateforme) ; INT8 nécessite un fichier de calibration. L'option enable-dla du plugin n'a pas de moteur à cibler sur ce module — la page produit de l'Orin Nano liste « DL Accelerator: - » et « Vision Accelerator: - ».
À 8 GB : les trames décodées, les moteurs et la mémoire applicative partagent un seul pool, sans DLA pour déporter du travail. L'échantillon « 30 flux » ci-dessous décode 30 flux 1080p ; la capacité de décodage publiée de ce module est de 11x 1080p30 (H.265), donc prévoyez moins de flux ou une résolution inférieure. Il n'y a pas non plus d'encodeur vidéo matériel — la sortie encodée (par exemple, le streaming RTSP) s'exécute sur le CPU.
3. Installation — Docker d'abord
Le guide de NVIDIA dit : « Recommandé pour les nouveaux utilisateurs : utilisez la méthode 4 (conteneur Docker) pour une installation des plus rapides, sans dépendances. » Les quatre méthodes Jetson :
| Méthode | De quoi s'agit-il |
|---|---|
| 1 — SDK Manager | Sélectionnez DeepStreamSDK sous « Additional SDKs » avec les composants de JetPack 7.2 GA. |
| 2 — paquet tar | deepstream_sdk_v9.1.0_jetson.tbz2, un artefact de release GitHub. |
| 3 — paquet Debian | deepstream-9.1_9.1.0-1_arm64.deb. |
| 4 — Docker (recommandée) | Conteneurs Jetson sur NGC (nvcr.io). |
Les conteneurs Jetson sont nvcr.io/nvidia/deepstream:9.1-samples-multiarch (applications de référence, modèles et configurations d'exemple) et nvcr.io/nvidia/deepstream:9.1-triton-multiarch (plus les bibliothèques devel et les backends Triton). Prérequis : docker-ce, le NVIDIA Container Toolkit, un compte NGC et docker login nvcr.io (nom d'utilisateur $oauthtoken, mot de passe = votre clé API NGC).
Important : NVIDIA déclare : « les conteneurs Docker Jetson sont destinés au déploiement uniquement. Ils ne prennent pas en charge le développement logiciel DeepStream dans un conteneur. » Construisez vos applications nativement sur le kit et ajoutez vos binaires à votre propre image.
Dans Docker, exécutez plutôt user_additional_install.sh (voir la note EOS ci-dessous). Le message « Failed to detect NVIDIA driver version » du conteneur Triton est inoffensif.
Astuce Juxi : pour une installation minimale de l'hôte, sélectionnez uniquement « Jetson OS » dans SDK Manager, puis exécutez
sudo apt install docker.io,sudo apt install nvidia-container,sudo apt install nvidia-l4t-gstreameretsudo service docker restart.
4. Augmenter les fréquences — avec un mode d'alimentation propre à ce kit
sudo nvpmodel -m 2
sudo jetson_clocksCité du démarrage rapide : « Pour les modules Jetson Orin Nano, utilisez sudo nvpmodel -m 2 au lieu de -m 0 pour activer le mode MAXN SUPER. Pour tous les autres modules Jetson Orin (y compris Orin NX), utilisez -m 0. » Exécutez ces commandes avant de lancer des applications DeepStream. Sur un kit 8 GB configuré Super, les modes d'alimentation sont 15W (mode 0), 25W (mode 1, par défaut) et MAXN_SUPER (mode 2) ; MAXN_SUPER n'existe que sur les unités flashées en configuration Super.
Attention : si 25W / MAXN SUPER est absent, ou si
nvpmodel -m 2signale un mode d'alimentation invalide, l'unité n'a pas été flashée avec la configuration Super. Voir Dépannage.
5. Première exécution — les moteurs TensorRT se construisent au premier usage
cd /opt/nvidia/deepstream/deepstream-9.1/samples/configs/deepstream-app
deepstream-app -c source30_1080p_dec_infer-resnet_tiled_display.txtCité du démarrage rapide : pour un modèle sans fichier de moteur existant, « la génération du fichier et le lancement de l'application peuvent prendre jusqu'à quelques minutes (selon la plateforme et le modèle). Lors des exécutions ultérieures, ces fichiers de moteur générés peuvent être réutilisés pour un chargement plus rapide. » Les métriques FPS défilent dans le terminal. Le « (~30 FPS for this configuration) » du démarrage rapide est le chiffre générique de la documentation — ce n'est pas une mesure de l'Orin Nano. Si l'application ne parvient pas à créer les éléments Gst, videz le cache et réessayez : rm ${HOME}/.cache/gstreamer-1.0/registry.aarch64.bin. D'autres configurations d'exemple couvrent les caméras USB et CSI, ainsi que le suivi avec inférence secondaire.
6. Fonctionnement headless avec sortie RTSP
Le démarrage rapide documente comment exécuter sans écran : les configurations par défaut utilisent le moteur de rendu nveglglessink basé sur EGL (type=2 dans les groupes [sink]), qui nécessite un serveur X en cours d'exécution. Ajoutez plutôt un groupe de sink de sortie RTSP — le groupe [sink2] dans source30_1080p_dec_infer-resnet_tiled_display.txt en est l'exemple — et mettez enable=0 pour le groupe de sink EGL. La sortie RTSP encodée s'exécute sur le CPU (section 2 : pas d'encodeur matériel).
Remarque de Juxi : avec les flux RTSP, l'application peut rester bloquée en approchant de l'EOS (un problème d'
rtpjitterbuffer). En bare metal, exécutez une foisupdate_rtpmanager.shdans/opt/nvidia/deepstream/deepstream/, après avoir installé les paquets de dépendances du démarrage rapide. Dans Docker, exécutez plutôtuser_additional_install.sh.
7. Planification mémoire pour 8 GB
Le blog efficacité mémoire de NVIDIA déclare : « module Jetson Orin Nano 8 GB : sur les 8 GB de DRAM physique, environ 7,6 GB sont utilisables après les réservations du micrologiciel et du noyau. » Le CPU et le GPU partagent ce pool. Leviers documentés pour les pipelines de style DeepStream :
| Levier | Mémoire récupérable |
|---|---|
| Exécuter en bare metal plutôt qu'en conteneur | Jusqu'à 70 MB |
| Passer d'applications Python à C++ | Jusqu'à 84 MB |
| Désactiver Tiler/OSD et utiliser FakeSink | Jusqu'à 258 MB |
| Total | 412 MB |
Désactiver Tiler/OSD et utiliser FakeSink « supprime des étapes d'affichage nécessaires à la visualisation mais inutiles dans les déploiements headless ou de production. Cela économise de la mémoire, réduit la charge GPU et améliore le débit. » Cela s'associe au parcours RTSP headless ci-dessus ; désactiver le bureau graphique peut libérer jusqu'à 865 MB. Pour le playbook complet des 8 GB, voir Efficacité mémoire sur 8 GB.
Ce que NVIDIA ne publie pas pour ce kit
La page de performances officielle de DeepStream 9.1 pour Jetson ne couvre que deux plateformes : Jetson AGX Thor et Jetson AGX Orin. Aucun chiffre FPS pour l'Orin Nano n'est publié ; ne lisez pas les lignes AGX Orin comme des performances d'Orin Nano. Pour dimensionner, partez de la capacité de décodage (section 2), puis baissez le nombre de flux et la résolution jusqu'à ce que le pipeline tienne.
Pour le point de donnée publié le plus proche, les benchmarks Jetson d'Ultralytics rapportent YOLO26n sur l'Orin Nano Super à ~4,57 ms/image (~219 FPS) avec un moteur TensorRT FP16 et ~3,80 ms/image (~263 FPS) avec INT8, à une entrée de 640 — données fournisseur, mesurées sur un logiciel de l'ère JetPack 6.1, pas sur la pile 7.2.1 de ce kit ; le temps d'inférence exclut le pré/post-traitement. Selon la même source, seuls les formats d'export PyTorch, TorchScript et TensorRT utilisent le GPU — les autres formats d'export s'exécutent sur le CPU.
Dépannage et lectures complémentaires
- Problèmes au niveau système (modes d'alimentation, stockage, affichage) : Dépannage · Efficacité mémoire sur 8 GB.
- Modèles hors DeepStream : Inférence LLM locale · référence de performance officielle : DeepStream Performance.
Sources
- DeepStream Installation Guide (vérifié le 2026-09-26)
- DeepStream Quickstart Guide (vérifié le 2026-09-26)
- DeepStream Docker Containers (vérifié le 2026-09-26)
- DeepStream Performance (vérifié le 2026-09-26)
- Gst-nvvideo4linux2 (hardware decoder) (vérifié le 2026-09-26)
- Gst-nvinfer (vérifié le 2026-09-26)
- Jetson Orin modules — decode, encode, and accelerator specifications (vérifié le 2026-09-26)
- Maximizing memory efficiency to run bigger models on NVIDIA Jetson (developer blog) (vérifié le 2026-09-26)
- Jetson Linux r39.2 Developer Guide — Power and Performance (vérifié le 2026-09-26)
- Ultralytics — NVIDIA Jetson guide (benchmarks fournisseur) (vérifié le 2026-09-26)
Statut : brouillon, en attente de relecture par cheny. Fondé sur la documentation officielle NVIDIA à la date indiquée ; pas encore vérifié sur matériel physique par Juxi Technology.
NVIDIA® et Jetson™ sont des marques de NVIDIA Corporation. Cette page est publiée par Juxi Technology et ne constitue pas une publication de NVIDIA.