使用NVIDIA JetPack 6.0和YOLOv8构建智能交通应用

智能交通系统 (ITS) 在现代城市环境中的应用正变得越来越有价值和普遍。使用 ITS 应用的优点包括：

提高交通效率：通过分析实时交通数据，ITS 可以优化交通流、缓解拥堵并缩短行车时间。

提高安全性：ITS 可以检测潜在危险、监视交通违法行为，并更有效地管理突发事件，从而使道路变得更加安全。

提高环境可持续性：高效的交通管理可减少燃油消耗与尾气排放，促进环境的可持续发展。

重要的是，这些系统需要在边缘处理信息，以实现可靠的带宽、保护隐私、进行实时分析等更多功能。

本文将介绍如何使用 NVIDIA JetPack 6.0 中的全新 Jetson 平台服务，来构建一个适用于边缘的端到端交通分析解决方案。该系统集成了多个功能：使用视频存储工具包 (VST) 服务进行视频数据的接收与存储；借助 YOLOv8 和 DeepStream AI 感知服务实现实时目标检测和车辆追踪；车辆移动的时空分析。在构建好这一流程后，将利用 API 生成分析报告。

Jetson 平台服务的优势

利用 Jetson 平台服务与NVIDIA Jetpack 构建和部署的 AI 应用具有以下优势：

快速、高效：这一丰富且经过优化的 API 驱动的微服务集合，可以显著缩短解决问题的时间。

可扩展：该微服务架构实现了各种组件的独立扩展，根据需求优化资源利用率。

模块化：将应用拆分为更小、更易管理的服务，简化了更新、维护和故障排除的过程。

灵活性：这些服务能以多种方式进行配置和部署，为智能交通系统 (ITS) 提供定制化解决方案，针对交通监控、交叉路口管理以及行人安全保障等方面。

要了解最新 JetPack SDK 的更多功能，请参阅支持边缘云原生微服务的 NVIDIA JetPack 6.0 版本现已发布。

应用概述

ITS 应用主要采用了三项核心服务：视频存储工具包 (VST)、AI 感知和 AI 分析。此外，它还运用 Redis 消息总线、API 网关、IoT 网关等几项基础服务。

图 1. ITS 应用的服务和连接

VST 是视频数据的入口。它能在基于 Jetson 的平台上高效地管理摄像头和视频流，提供从多个视频源进行的硬件加速视频解码、流式传输和存储。在该设置中，视频输入文件通过 RTSP 协议流式传输到 VST。有关使用 VST 和添加 RTSP 流的更多信息，请参见 VST 文档。

接下来，视频数据流进入利用 NVIDIA DeepStream SDK 的 AI 感知服务，其先采用 YOLOv8 物体检测模型实现高吞吐量，随后使用 NvDCF 追踪器进行物体追踪。该流程基于 NVIDIA Metropolis 架构生成元数据，捕获场景中检测到的各种物体的类别和坐标信息。

紧接着生成的元数据和事件被发布到 Redis 消息总线，该总线是系统内部消息传递的骨干。AI 分析服务订阅了该总线，接收执行详细交通分析所需的信息。

这种基于服务的架构确保从视频输入到分析的数据流畅且高效，充分利用了 NVIDIA Jetson 设备的处理能力。该方法提高了处理速度和响应能力，非常适合需要实时数据解释和即时行动的 ITS 应用。

用于物体检测的 YOLOv8

YOLOv8 作为最先进的物体检测模型脱颖而出，以其无与伦比的速度和准确性著称。其轻量级架构特别适合部署在 NVIDIA Jetson 等边缘设备上。在 ITS 应用中，YOLOv8 能够实时检测和分类车辆、行人、交通标志等对象。这为管理和优化交通流量、加强道路安全以及支持自动化交通系统提供关键数据。有关各种 YOLO 模型的更多信息，请参阅计算机视觉中的 YOLO 架构综述。

下载和准备 YOLOv8

开始使用前，请先在 GitHub 的 ultralytics 资源库下载 YOLOv8 模型。本文使用 YOLOv8 发布版本所训练的 COCO 数据集中轿车、公交车和卡车三类作为示例。请注意，用户有责任验证每个数据集许可证是否符合预定用途。

接下来，需要将该模型转换成 NVIDIA TensorRT 执行引擎，以针对 NVIDIA Jetson 的硬件能力对其进行优化。DeepStream 微服务容器附带的脚本可帮助简化这一转换过程。

要运行 YOLOv8 安装脚本，首先要确保您已按照 Jetson 平台服务文档中的“快速入门”部分所述的步骤安装了微服务、参考应用以及 NVStreamer。此时，您还可以配置 NVStreamer 以通过 RTSP 传输以下文件，该文件将作为输入使用。

要执行脚本，请运行针对您的硬件提供的以下命令。

Jetson AGX Orin：

sudo docker run -v ./yolov8s:/yolov8s -v
./config/deepstream:/ds-config-files –rm --runtime nvidia 
nvcr.io/nvidia/jps/deepstream:7.0-jps-v1.1.1 
/yolov8s-files/yolov8s_setup.sh --agx

Jetson Orin NX16：

sudo docker run -v ./yolov8s:/yolov8s -v
./config/deepstream:/ds-config-files –rm --runtime nvidia 
nvcr.io/nvidia/jps/deepstream:7.0-jps-v1.1.1 
/yolov8s-files/yolov8s_setup.sh --nx16

设置脚本执行的任务包括：

硬件特定配置：根据 NVIDIA 硬件（AGX 或 NX16）调整诸如批量大小等参数，以优化性能。

依赖性管理：下载 YOLOv8 模型文件和 COCO 数据集，安装所需库，并准备用于量化的校准图像。

INT8 校准：将浮点模型量化为 INT8，以获得最佳推理性能。

模型转换：将模型从 PyTorch 转换成 ONNX 格式，并生成 TensorRT 引擎。

这个过程大约需要 15 到 30 分钟，并生成部署 YOLO 所需的以下文件：

./yolov8s/calib.table

./yolov8s/model_b4_gpu0_int8.engine 或 (依据设备类型的不同)

./yolov8s/model_b8_gpu0_int8.engine

./yolov8s/yolov8s-dependencies/yolov8s.onnx

自定义 AI 感知服务

用于 AI 感知的 DeepStream 容器还集成了一个程序库。该库包含自定义函数，用于从 YOLOv8 模型中创建优化后的 NVIDIA TensorRT 引擎，并解析该模型输出结果。这个转换脚本和程序库均来自 GitHub 上的 marcoslucianops/DeepStream-Yolo 资源库（遵循 MIT 许可）。

这些自定义函数用于配置 DeepStream 推理插件：

# Example: nv_ai/config/deepstream/yolov8s/config_infer_primary_yoloV8_nx16.txt
...
parse-bbox-func-name=NvDsInferParseYolo
custom-lib-path=/yolov8s-files/libnvdsinfer_custom_impl_Yolo.so
engine-create-func-name=NvDsInferYoloCudaEngineGet
…

运行应用程序

设置完成后，就可以运行应用了。AI-NVR 堆栈中包含了该应用程序的 Docker Compose 配置。请使用下方提供的与您硬件配置相匹配的命令来运行。

Jetson AGX Orin：

sudo docker compose -f compose_agx_yolov8s.yaml up -d --force-recreate

Jetson Orin NX16：

sudo docker compose -f compose_nx16_yolov8s.yaml up -d --force-recreate

利用 AI 分析服务进行车辆数据分析

利用 AI 分析服务的绊线（或越线）和轨迹功能进行车流量分析。您可以通过 REST API 配置这些分析功能，包括：

在给定的时间范围内统计穿越预设线段的车辆总数（包括轿车、公交车和卡车）。

在给定时间范围内的车流量趋势分析，可缩短时间窗口进行深入研究。

在给定时间范围内的车流量热力图展示。

概念

绊线（或越线）是指在摄像头平面上绘制的虚拟线条，用于统计双向穿越该线条的物体数量。

轨迹指车辆实际行驶的路径，由系统逐帧追踪并记录。AI 感知服务会为每辆车分配一个唯一 ID。系统中的“轨迹”概念代表车辆行驶的总路径。

API 规范

有关以下部分中提到的 API 详细信息，请参阅 AI 分析服务规范。

绊线配置

绊线分析可以针对给定的传感器，通过以下 API 进行配置。请注意，下面使用的值应与通过 sensor/add API 向 VST 添加流时设置的name相同。可以使用 cURL 或 Postman 等工具发出 HTTP post 请求。

HTTP POST 请求端点：

请注意，必须将 jetson-device-ip 替换为 Jetson 设备正确的 IP 地址。

请求：

{
    "sensorId": "",
    "tripwires": [
        {
            "id": "",
            "name": "",
            "wire": [
                {
                    "x": 591,
                    "y": 575
                },
                {
                    "x": 677,
                    "y": 618
                },
                {
                    "x": 1107,
                    "y": 575
                },
                {
                    "x": 1105,
                    "y": 541
                }
            ],
            "direction": {
                "p1": {
                    "x": 873,
                    "y": 553
                },
                "p2": {
                    "x": 1010,
                    "y": 689
                },
                "entry": {
                    "name": "entry"
                },
                "exit": {
                    "name": "exit"
                }
            }
        }
    ]
}

生成绊线时间序列分析

可通过绊线计数 API 检索给定时间范围内不同车辆类型（由 YOLOv8 模型检测）的总穿越次数。

一旦绊线创建完成，您可以使用以下示例查询来检索在 2024 年 5 月 15 日格林威治时间上午 11 点至中午 12 点期间，传感器 ID ExpressWay 上配置的 ID 为 road-tw 的绊线处各类物体的总穿越次数。此外，该查询还请求对轿车、公交车和卡车这三类对象的穿越次数进行细分。

HTTP GET 查询：

http://{jetson-device-ip}:30080/emdx/api/metrics/tripwire/count?
     sensorId=ExpressWay&
     tripwireId=road-tw&
     fromTimestamp=2024-05-15T11:00:00.000Z&
     toTimestamp=2024-05-15T12:00:00.000Z&
     objectTypes=car,bus,truckc

请注意，与前面一样，必须将 jetson-device-ip 替换成 Jetson 设备正确的IP地址。

响应：

{
    "counts": [
        {
            "sensorId": "ExpressWay",
            "total_count": 241,
            "count_by_type": {
                "bus": 3,
                "car": 238,
                "truck": 0
            },
            "attributes": []
        }
    ]
}

交通趋势直方图可视化

还可以使用绊线计数直方图 API 将之前的总计数汇总到更小的时间窗口中。

使用以下示例查询来检索在格林威治标准时间 2024 年 5 月 15 日上午 11 点到中午12 点之间，传感器 ID 为 ExpressWay上配置的 ID 为 road-tw的绊线处物体（所有类型）穿越次数的直方图，并将其细分到 1 分钟的时间窗口。

HTTP GET 查询：

http://{jetson-device-ip}:30080/emdx/api/metrics/tripwire/histogram?
     sensorId=ExpressWay&
     tripwireId=road-tw
     fromTimestamp=2024-05-15T11:00:00.000Z&
     toTimestamp=2024-05-15T12:00:00.000Z&
     fixedInterval=60000&
     objectTypes=car,bus,truck

这将转储每个 1 分钟间隔的 JSON 输出与 1 分钟窗口中的汇总计数。您可以将这些信息绘制成堆叠直方图，以表示计数随时间变化的趋势（图 2）。

图 2. 以 1 分钟为间隔的交通流量计数直方图

车辆轨迹热力图可视化

本部分将介绍如何使用 AI 分析服务中的行为 API 生成热力图。热力图是通过累积运动轨迹并将它们映射到区域空间中生成的，它提供了一种可视化方式帮助呈现交通流随时间的变化趋势。

热力图生成逻辑

根据给定时间范围内所有物体的轨迹行为坐标 [x, y]，通过 numpy.histogram2d.计算出直方图。然后应用高斯滤波器对结果进行平滑处理。请访问 GitHub 上的 NVIDIA-AI-IOT/jetson-platform-services 资源库，查看与此逻辑相关的函数笔记。使用 VST API 获取传感器图像快照。在图 3 中，平滑后的直方图被可视化成热力图。

使用下面的示例，查询检索传感器 ID ExpressWay 在给定时间内对象类型为轿车、公交车和卡车的轨迹行为。

HTTP GET 查询：

http://{jetson-device-ip}:30080/emdx/api/behavior?
     sensorId=ExpressWay&
     fromTimestamp=2024-05-15T11:00:00.000Z&
     toTimestamp=2024-05-15T11:00:05.000&
     objectTypes=car,bus,truck

响应：

{
    "behavior": [
        {
            "sensor": {
                "id": "Expressway"
            },
            "object": {
                "id": "134",
                "type": "car"   
            },
            "locations": {
                "coordinates": [
                    [
                        1708598580297,
                        [291,590]
                    ],
                    [
                        1708598580364,
                        [285,594]
                    ],
                    [
                        1708598580474,
                        [385,694]
                    ],
                    [
                        1708598580372,
                        [281,595]
                    ]               ],
                "type": "linestring"
            },
            "length": 4,
            "start": "2024-02-22T1000.297Z",
            "end": "2024-02-22T1001.255Z",
            "distance": 204.81118737109063,
            "timeInterval": 0.958  
        }
    ]
}

响应了一个给定对象随时间变化的轨迹项数组，其中每个项都是由两个元素构成的。第一个元素是以毫秒为单位的视频帧时间戳（1708598580297，Unix 时间），第二个元素是位置坐标数组 [x,y]，例如 [291, 590]，表示该图像平面上 x=291，y=590。

交通分析文件

请访问 GitHub 上的 NVIDIA-AI-IOT/jetson-platform-services 资源库，并下载文件在您的本地系统上运行。请按照步骤说明尝试使用您自己的视频文件或摄像头进行操作。

总结

本文介绍了如何使用 NVIDIA JetPack 6.0 中的 Jetson 平台服务和 YOLOv8 物体检测模型来构建智能交通应用。Jetson 平台服务是一组功能丰富的微服务，可用于边缘构建 AI 应用。开发者可以使用这些 API 快速、高效地开发应用，并生成车辆计数、交通热力图等洞察。这些微服务具有可替换性，并且可以扩展到多种边缘 AI 应用中。