Pipelines de análise de vídeo — DeepStream 9.1
O DeepStream é o SDK da NVIDIA para criar pipelines acelerados de análise de vídeo inteligente (IVA), e o DeepStream 9.1 é a versão que é executada no Jetson Orin com o JetPack 7.2. Esta página aborda a correspondência de versões, as vias de instalação, os limites de descodificação, o que esperar da primeira execução, a saída RTSP sem monitor e notas de memória para o kit de desenvolvedor Orin Nano Super de 8 GB.
1. Correspondência 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 refere "Jetson Orin" como grupo; linhas anteriores (DS 6.3 a DS 7.1) nomeavam explicitamente "Orin nano". Não foi encontrada nenhuma nota de versão do 9.1 que confirme especificamente o Orin Nano — considere o suporte como implícito na designação do grupo (ainda não confirmado). Kit de base: JetPack 7.2.1 / L4T r39.2.1.
2. O que este kit consegue descodificar
O descodificador Gst-nvvideo4linux2 utiliza o motor de hardware NVDEC e suporta H.264, H.265, AV1, JPEG e MJPEG. Capacidades publicadas do módulo Orin Nano:
| Capacidade | Especificação |
|---|---|
| Descodificação de vídeo (H.265) | 1x 4K60 · 2x 4K30 · 5x 1080p60 · 11x 1080p30 |
| Codificação de vídeo | Sem codificador de hardware — «1080p30 suportado por 1-2 núcleos de CPU» |
| DLA · PVA | Nenhum |
A inferência é executada no plugin Gst-nvinfer sobre motores TensorRT: modelos FP16, FP32 e INT8 (FP16 e INT8 dependem da plataforma); o INT8 requer um ficheiro de calibração. A opção enable-dla do plugin não tem motor de destino neste módulo — a página de produto do Orin Nano lista "DL Accelerator: -" e "Vision Accelerator: -".
A 8 GB: os fotogramas descodificados, os motores e a memória da aplicação partilham um único conjunto, sem DLA para onde descarregar trabalho. O exemplo de "30 fluxos" abaixo descodifica 30 fluxos 1080p; a capacidade de descodificação publicada deste módulo é 11x 1080p30 (H.265), pelo que deve planear menos fluxos ou menor resolução. Também não existe codificador de vídeo por hardware — a saída codificada (por exemplo, streaming RTSP) é executada na CPU.
3. Instalação — Docker primeiro
O guia da NVIDIA afirma: «Recomendado para novos utilizadores: utilize o Método 4 (contentor 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" juntamente com os componentes do JetPack 7.2 GA. |
| 2 — pacote tar | deepstream_sdk_v9.1.0_jetson.tbz2, um recurso de lançamento no GitHub. |
| 3 — pacote Debian | deepstream-9.1_9.1.0-1_arm64.deb. |
| 4 — Docker (recomendado) | Contentores Jetson no NGC (nvcr.io). |
Os contentores Jetson são nvcr.io/nvidia/deepstream:9.1-samples-multiarch (aplicações de referência, modelos e configurações de exemplo) e nvcr.io/nvidia/deepstream:9.1-triton-multiarch (mais bibliotecas de desenvolvimento e backends Triton). Pré-requisitos: docker-ce, o NVIDIA Container Toolkit, uma conta NGC e docker login nvcr.io (nome de utilizador $oauthtoken, palavra-passe = a sua chave de API NGC).
Importante: a NVIDIA afirma: «Os contentores Docker para Jetson destinam-se apenas à implementação. Não suportam o desenvolvimento de software DeepStream dentro de um contentor.» Compile as aplicações nativamente no kit e adicione os seus binários à sua própria imagem.
No Docker, execute em vez disso o user_additional_install.sh (ver a nota sobre EOS abaixo). A mensagem "Failed to detect NVIDIA driver version" do contentor Triton é inofensiva.
Dica da Juxi: para uma instalação mínima do sistema anfitrião, selecione apenas "Jetson OS" no SDK Manager e depois execute
sudo apt install docker.io,sudo apt install nvidia-container,sudo apt install nvidia-l4t-gstreameresudo service docker restart.
4. Aumentar as frequências — com um modo de alimentação específico do kit
sudo nvpmodel -m 2
sudo jetson_clocksCitado do início rápido: «Para os módulos Jetson Orin Nano, utilize sudo nvpmodel -m 2 em vez de -m 0 para ativar o modo MAXN SUPER. Para todos os outros módulos Jetson Orin (incluindo o Orin NX), utilize -m 0.» Execute estes comandos antes de executar aplicações DeepStream. Num kit de 8 GB configurado como Super, os modos de alimentação são 15W (modo 0), 25W (modo 1, predefinido) e MAXN_SUPER (modo 2); o MAXN_SUPER existe apenas em unidades gravadas com a configuração Super.
Atenção: se faltarem os modos 25W / MAXN SUPER, ou se
nvpmodel -m 2indicar um modo de alimentação inválido, a unidade não foi gravada com a configuração Super. Consulte Resolução de problemas.
5. Primeira execução — os motores TensorRT são compilados na primeira utilização
cd /opt/nvidia/deepstream/deepstream-9.1/samples/configs/deepstream-app
deepstream-app -c source30_1080p_dec_infer-resnet_tiled_display.txtCitado do início rápido: para um modelo sem ficheiro de motor existente, «pode demorar até alguns minutos (dependendo da plataforma e do modelo) para gerar o ficheiro e iniciar a aplicação. Para execuções posteriores, estes ficheiros de motor gerados podem ser reutilizados para um carregamento mais rápido». As métricas de FPS desfilam no terminal. O «(~30 FPS para esta configuração)» do início rápido é o valor genérico da documentação — não é uma medição do Orin Nano. Se a aplicação não conseguir criar elementos Gst, limpe a cache e tente novamente: rm ${HOME}/.cache/gstreamer-1.0/registry.aarch64.bin. Outras configurações de exemplo abrangem câmaras USB e CSI e rastreamento com inferência secundária.
6. Funcionamento sem monitor com saída RTSP
O início rápido documenta como executar sem ecrã: as configurações predefinidas utilizam o renderizador nveglglessink baseado em EGL (type=2 nos grupos [sink]), que requer um servidor X em execução. Em vez disso, acrescente 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 é executada na CPU (Secção 2: sem codificador de hardware).
Nota da Juxi: com fluxos RTSP, a aplicação pode ficar presa a chegar ao EOS (um problema do
rtpjitterbuffer). Em bare metal, execute oupdate_rtpmanager.shem/opt/nvidia/deepstream/deepstream/uma vez, depois de instalar os pacotes de dependências do início rápido. No Docker, execute em vez disso ouser_additional_install.sh.
7. Planeamento de memória para 8 GB
O blogue da NVIDIA sobre eficiência de memória afirma: «No módulo Jetson Orin Nano 8 GB, dos 8 GB de DRAM física, cerca de 7.6 GB são utilizáveis após as reservas do firmware e do kernel.» A CPU e a GPU partilham este conjunto. Alavancas documentadas para pipelines ao estilo do DeepStream:
| Alavanca | Memória que pode ser recuperada |
|---|---|
| Executar em bare metal em vez de um contentor | Até 70 MB |
| Passar de aplicações Python para C++ | Até 84 MB |
| Desativar o Tiler/OSD e usar FakeSink | Até 258 MB |
| Total | 412 MB |
Desativar o Tiler/OSD e usar o FakeSink «remove etapas de visualização necessárias para a apresentação, mas desnecessárias em implementações sem monitor ou de produção. Isto poupa memória, reduz a carga da GPU e melhora o débito.» Isto combina com o percurso RTSP sem monitor acima; desativar o ambiente de trabalho gráfico pode libertar até 865 MB. Para o manual completo dos 8 GB, consulte Eficiência de memória para 8 GB.
O que a NVIDIA não publica para este kit
A página oficial de desempenho do DeepStream 9.1 para Jetson abrange apenas duas plataformas: Jetson AGX Thor e Jetson AGX Orin. Não são publicados números de FPS para o Orin Nano; não leia as linhas do AGX Orin como desempenho do Orin Nano. Para dimensionar, comece pela capacidade de descodificação (Secção 2) e reduza o número de fluxos e a resolução até o pipeline caber.
Para o dado publicado mais próximo, os benchmarks Jetson da Ultralytics indicam o YOLO26n no Orin Nano Super a ~4.57 ms/imagem (~219 FPS) com um motor TensorRT FP16 e ~3.80 ms/imagem (~263 FPS) com INT8, a 640 de entrada — dados do fornecedor, medidos em software da era JetPack 6.1, não na pilha 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 utilizam a GPU — os outros formatos de exportação são executados na CPU.
Resolução de problemas e leitura adicional
- Problemas ao nível do sistema (modos de alimentação, armazenamento, ecrã): Resolução de problemas · Eficiência de memória para 8 GB.
- Modelos fora do DeepStream: Inferência local de LLM · 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)
- Contentores Docker do DeepStream (verificado em 2026-09-26)
- DeepStream Performance (verificado em 2026-09-26)
- Gst-nvvideo4linux2 (descodificador de hardware) (verificado em 2026-09-26)
- Gst-nvinfer (verificado em 2026-09-26)
- Módulos Jetson Orin — especificações de descodificação, codificação e aceleradores (verificado em 2026-09-26)
- Maximizing memory efficiency to run bigger models on NVIDIA Jetson (blogue de desenvolvedores) (verificado em 2026-09-26)
- Guia de desenvolvedores do Jetson Linux r39.2 — Energia e desempenho (verificado em 2026-09-26)
- Ultralytics — guia NVIDIA Jetson (benchmarks do fornecedor) (verificado em 2026-09-26)
Estado: 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 comerciais da NVIDIA Corporation. Esta página é publicada pela Juxi Technology e não é uma publicação da NVIDIA.