nvidia jetson 平台使用 ffmpeg nvmpi 硬件编解码

首先目前ffmpeg不支持在nvidia jetson 平台上进行使用硬件编解码加速,但是由于nvidia 提供了相对的硬件编解码加速的api,故可以将api集成到ffmpeg实现。

好在国外大神多,在github上已经有人实现了。

GitHub - jocover/jetson-ffmpeg: ffmpeg support on jetson nano

这个是实现的jetson api 的c++ 工程,需要编译出so库,用来给与ffmpeg编译用。

GitHub - LinusCDE/mad-jetson-ffmpeg: FFmpeg fork that aims to include all the HW Accel for Nvidia Jetson

这个工程则是集成了补丁的ffmpeg, 安装上面的so库,之后可以直接编译此ffmpeg用于jetson平台。

编译命令,编译过程中可能需要安装一些第三方库,使用sudo apt-get install 即可

./configure --prefix=/usr/local/ffmpeg_4.4 --extra-cflags="-I/usr/local/include" --extra-ldflags="-L/usr/local/lib" --disable-debug --disable-stripping --enable-lto --enable-fontconfig --enable-gpl --enable-libdrm --enable-libfreetype --enable-libx264 --enable-nvmpi --enable-shared --extra-libs="-L/usr/lib/aarch64-linux-gnu/tegra -lnvbuf_utils" --extra-cflags="-I /usr/src/jetson_multimedia_api/include/"

之后即可使用"h264_nvmpi" 编解码器,进行硬件加速。

另外需要搞清楚,jetson平台编解码出来的数据还是在cpu内存里, 它只是集成了硬件模块实现了编解码,并不是GPU在实现,此处是重点。

  • 4
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
基于NVIDIA Jetson平台人工智能实例开发入门需要掌握以下几个关键步骤: 1. 准备工作:首先,购买一台NVIDIA Jetson开发套件,并安装相应的JetPack软件开发工具包。该工具包集成了CUDA加速库、各种深度学习框架和开发工具,使得在Jetson平台上进行人工智能开发变得更加方便。 2. 硬件设置:将Jetson开发套件正确连接到电源和显示器,并通过USB线缆将其与电脑连接。确保电脑和Jetson之间可以正常通信。 3. 软件设置:在Jetson平台上安装和配置所需的软件包,如TensorFlow、PyTorch或Caffe等深度学习框架。根据需要,还可以安装其他相关的软件包和库。 4. 数据集准备:收集和整理适合训练的数据集。根据所需的人工智能应用领域,选择合适的数据集,并对其进行预处理和标注。 5. 模型训练:使用所选的深度学习框架,在Jetson平台上进行模型训练。通过调节模型的超参数和优化算法,提高模型的准确性和性能。 6. 模型部署:训练完成后,将训练好的模型部署到Jetson平台上。根据实际需求,可以选择将模型部署为实时应用程序、嵌入式系统或者边缘计算设备等形式。 7. 测试和优化:对部署好的模型进行测试和优化。根据实际情况,检查模型在不同数据集或场景下的表现,并根据测试结果进行模型的调整和改进。 8. 扩展和应用:在基础的人工智能实例上进行扩展和应用。根据具体需求,可以通过增加数据集、调整模型架构或者更换算法来扩展人工智能应用的功能和性能。 总结来说,基于NVIDIA Jetson平台人工智能实例开发入门需要熟悉硬件设置、软件配置、数据集准备、模型训练、模型部署、测试和优化等关键步骤。通过不断的实践和学习,可以逐步提升在Jetson平台上进行人工智能开发的能力。
评论 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值