Pipelines de análise de vídeo — DeepStream 9.1
O DeepStream é o SDK da NVIDIA para construir pipelines acelerados de análise de vídeo inteligente (IVA), e o DeepStream 9.1 é a versão que roda no Jetson Orin com o JetPack 7.2. Esta página cobre o pareamento de versões, as rotas de instalação, os limites de decodificação, as expectativas da primeira execução, a saída RTSP headless e as notas de memória para o Kit de Desenvolvedor Jetson Orin Nano Super de 8 GB.
1. Pareamento de versões
DeepStream 9.1 ↔ JetPack 7.2 GA ↔ L4T 39.2 ↔ CUDA 13.2 ↔ TensorRT 10.16.1.7 ↔ GStreamer 1.24.2 (imagem Docker deepstream:9.1), conforme listado na tabela Platform and OS Compatibility do Guia de instalação do DeepStream.
O DeepStream 8.0 e o 9.0 listavam apenas o AGX Thor; o 9.1 é a primeira versão 9.x cuja linha inclui o Jetson Orin ("AGX Thor, Jetson Orin") — a linha diz "Jetson Orin" como grupo; linhas anteriores (DS 6.3 a DS 7.1) nomeavam "Orin nano" explicitamente. Nenhuma nota de versão da 9.1 confirmando especificamente o Orin Nano foi encontrada — trate o suporte como implícito pelo rótulo do grupo (ainda não confirmado). Configuração de base: JetPack 7.2.1 / L4T r39.2.1.
2. O que este kit consegue decodificar
O decodificador Gst-nvvideo4linux2 usa o motor de hardware NVDEC e oferece suporte a H.264, H.265, AV1, JPEG e MJPEG. Capacidades publicadas do módulo Orin Nano:
| Capacidade | Especificação |
|---|---|
| Decodificação de vídeo (H.265) | 1x 4K60 · 2x 4K30 · 5x 1080p60 · 11x 1080p30 |
| Codificação de vídeo | Sem codificador por hardware — "1080p30 suportado por 1-2 núcleos de CPU" |
| DLA · PVA | Nenhum |
A inferência roda no plugin Gst-nvinfer sobre engines do TensorRT: modelos FP16, FP32 e INT8 (FP16 e INT8 dependem da plataforma); o INT8 precisa de um arquivo de calibração. A opção enable-dla do plugin não tem engine de destino neste módulo — a página do produto Orin Nano lista "DL Accelerator: -" e "Vision Accelerator: -".
Com 8 GB: os quadros decodificados, os engines e a memória da aplicação compartilham um único pool, sem DLA para descarregar trabalho. O exemplo de "30 fluxos" abaixo decodifica 30 fluxos 1080p; a capacidade de decodificação publicada deste módulo é de 11x 1080p30 (H.265), então planeje menos fluxos ou resolução menor. Também não há codificador de vídeo por hardware — a saída codificada (por exemplo, streaming RTSP) roda na CPU.
3. Instalação — Docker primeiro
O guia da NVIDIA diz: "Recomendado para novos usuários: use o Método 4 (contêiner Docker) para a configuração mais rápida e sem dependências." Os quatro métodos para Jetson:
| Método | O que é |
|---|---|
| 1 — SDK Manager | Selecione DeepStreamSDK em "Additional SDKs" junto com os componentes do JetPack 7.2 GA. |
| 2 — Pacote tar | deepstream_sdk_v9.1.0_jetson.tbz2, um artefato de release no GitHub. |
| 3 — Pacote Debian | deepstream-9.1_9.1.0-1_arm64.deb. |
| 4 — Docker (recomendado) | Contêineres Jetson no NGC (nvcr.io). |
Os contêineres Jetson são o nvcr.io/nvidia/deepstream:9.1-samples-multiarch (aplicativos de referência, modelos e configurações de exemplo) e o nvcr.io/nvidia/deepstream:9.1-triton-multiarch (mais bibliotecas de desenvolvimento e backends do Triton). Pré-requisitos: docker-ce, o NVIDIA Container Toolkit, uma conta NGC e docker login nvcr.io (usuário $oauthtoken, senha = sua chave de API do NGC).
Importante: a NVIDIA afirma: "Os contêineres Docker para Jetson são apenas para implantação. Eles não oferecem suporte ao desenvolvimento de software DeepStream dentro de um contêiner." Compile as aplicações nativamente no kit e adicione os seus binários à sua própria imagem.
No Docker, execute user_additional_install.sh em vez disso (veja a nota sobre EOS abaixo). A mensagem "Failed to detect NVIDIA driver version" do contêiner Triton é inofensiva.
Dica da Juxi: para uma instalação mínima no host, selecione apenas "Jetson OS" no SDK Manager e execute
sudo apt install docker.io,sudo apt install nvidia-container,sudo apt install nvidia-l4t-gstreameresudo service docker restart.
4. Aumente os clocks — com um modo de energia específico do kit
sudo nvpmodel -m 2
sudo jetson_clocksCitado do quickstart: "Para módulos Jetson Orin Nano, use sudo nvpmodel -m 2 em vez de -m 0 para habilitar o modo MAXN SUPER. Para todos os outros módulos Jetson Orin (incluindo o Orin NX), use -m 0." Execute esses comandos antes de executar os aplicativos do DeepStream. Em um kit de 8 GB configurado como Super, os modos de energia são 15W (modo 0), 25W (modo 1, padrão) e MAXN_SUPER (modo 2); o MAXN_SUPER existe apenas em unidades gravadas com a configuração Super.
Atenção: se 25W / MAXN SUPER estiver faltando, ou se
nvpmodel -m 2reportar um modo de energia inválido, a unidade não foi gravada com a configuração Super. Veja Solução de problemas.
5. Primeira execução — os engines do TensorRT são compilados no primeiro uso
cd /opt/nvidia/deepstream/deepstream-9.1/samples/configs/deepstream-app
deepstream-app -c source30_1080p_dec_infer-resnet_tiled_display.txtCitado do quickstart: para um modelo sem arquivo de engine existente, "pode levar até alguns minutos (dependendo da plataforma e do modelo) para a geração do arquivo e o lançamento do aplicativo. Em execuções posteriores, esses arquivos de engine gerados podem ser reutilizados para um carregamento mais rápido." As métricas de FPS rolam no terminal. O "(~30 FPS para esta configuração)" do quickstart é o número genérico da documentação — não é uma medição do Orin Nano. Se o aplicativo não conseguir criar elementos Gst, limpe o cache e tente novamente: rm ${HOME}/.cache/gstreamer-1.0/registry.aarch64.bin. Outras configurações de exemplo cobrem câmeras USB e CSI e rastreamento com inferência secundária.
6. Operação headless com saída RTSP
O quickstart documenta como rodar sem monitor: as configurações padrão usam o renderizador nveglglessink baseado em EGL (type=2 nos grupos [sink]), que exige um servidor X em execução. Adicione, em vez disso, um grupo de sink de saída RTSP — o grupo [sink2] em source30_1080p_dec_infer-resnet_tiled_display.txt é o exemplo — e defina enable=0 para o grupo de sink EGL. A saída RTSP codificada roda na CPU (Seção 2: sem codificador por hardware).
Nota da Juxi: com fluxos RTSP, o aplicativo pode travar ao chegar ao EOS (um problema do
rtpjitterbuffer). Em bare metal, executeupdate_rtpmanager.shem/opt/nvidia/deepstream/deepstream/uma vez, depois de instalar os pacotes de dependência do Quickstart. No Docker, executeuser_additional_install.shem vez disso.
7. Planejamento de memória para 8 GB
O blog de eficiência de memória da NVIDIA afirma: "Módulo Jetson Orin Nano 8 GB: dos 8 GB de DRAM física, cerca de 7,6 GB são utilizáveis após as reservas de firmware e kernel." CPU e GPU compartilham esse pool. Alavancas documentadas para pipelines no estilo DeepStream:
| Alavanca | Memória que pode ser recuperada |
|---|---|
| Rodar em bare metal em vez de contêiner | Até 70 MB |
| Trocar aplicações Python por C++ | Até 84 MB |
| Desativar Tiler/OSD e usar FakeSink | Até 258 MB |
| Total | 412 MB |
Desativar Tiler/OSD e usar FakeSink "remove etapas de exibição necessárias para visualização, mas desnecessárias em implantações headless ou de produção. Isso economiza memória, reduz a carga da GPU e melhora o throughput." Isso se combina com o caminho RTSP headless acima; desativar o desktop gráfico pode liberar até 865 MB. Para o manual completo de 8 GB, veja Eficiência de memória em 8 GB.
O que a NVIDIA não publica para este kit
A página oficial de desempenho do DeepStream 9.1 para Jetson cobre apenas duas plataformas: Jetson AGX Thor e Jetson AGX Orin. Nenhum número de FPS do Orin Nano é publicado; não leia as linhas do AGX Orin como desempenho do Orin Nano. Para dimensionar, comece pela capacidade de decodificação (Seção 2) e depois reduza a contagem de fluxos e a resolução até o pipeline caber.
Para o dado publicado mais próximo, os benchmarks de Jetson da Ultralytics relatam o YOLO26n no Orin Nano Super a ~4,57 ms/imagem (~219 FPS) com um engine TensorRT FP16 e ~3,80 ms/imagem (~263 FPS) com INT8, com entrada 640 — dados do fabricante, medidos em software da era JetPack 6.1, não na stack 7.2.1 deste kit; o tempo de inferência exclui o pré/pós-processamento. Segundo a mesma fonte, apenas os formatos de exportação PyTorch, TorchScript e TensorRT usam a GPU — outros formatos de exportação rodam na CPU.
Solução de problemas e leitura adicional
- Problemas em nível de sistema (modos de energia, armazenamento, display): Solução de problemas · Eficiência de memória em 8 GB.
- Modelos fora do DeepStream: Inferência de LLM local · referência oficial de desempenho: DeepStream Performance.
Fontes
- Guia de instalação do DeepStream (verificado em 2026-09-26)
- Guia de início rápido do DeepStream (verificado em 2026-09-26)
- Contêineres Docker do DeepStream (verificado em 2026-09-26)
- DeepStream Performance (verificado em 2026-09-26)
- Gst-nvvideo4linux2 (decodificador de hardware) (verificado em 2026-09-26)
- Gst-nvinfer (verificado em 2026-09-26)
- Módulos Jetson Orin — especificações de decodificação, codificação e aceleradores (verificado em 2026-09-26)
- Maximizing memory efficiency to run bigger models on NVIDIA Jetson (blog de desenvolvedores) (verificado em 2026-09-26)
- Guia do desenvolvedor do Jetson Linux r39.2 — Power and Performance (verificado em 2026-09-26)
- Ultralytics — guia NVIDIA Jetson (benchmarks do fabricante) (verificado em 2026-09-26)
Status: rascunho, pendente de revisão por cheny. Baseado na documentação oficial da NVIDIA na data indicada; ainda não verificado em hardware físico pela Juxi Technology.
NVIDIA® e Jetson™ são marcas registradas da NVIDIA Corporation. Esta página é publicada pela Juxi Technology e não é uma publicação da NVIDIA.