一种算法平台深度学习应用开发方法、系统、介质和设备

技术领域

本发明提出了一种算法平台深度学习应用开发方法、系统、介质和设备，属于深度学习应用开发技术领域。

背景技术

当前算法平台缺少全流程深度学习应用开发的相关功能，对于训练出来的模型，要使其接受多类型，或多路的输入，并充分调用硬件进行加速推理，实现多类型的输出，是很困难的事情，可能需要多个不同的组件合作完成，缺少统一的开发环境。当前算法平台缺少全流程深度学习应用开发的相关功能。对于训练出来的模型，要基于其开发应用，需要不同组件参与，环境比较复杂。对于算法平台训练出来的模型，直接部署在嵌入式设备上会因无法充分调用硬件遇到性能问题。

发明内容

本发明提供了一种算法平台深度学习应用开发方法、系统、介质和设备，用以解决前算法平台缺少全流程深度学习应用开发的相关功能的问题，所采取的技术方案：

一种算法平台深度学习应用开发方法，所述算法平台深度学习应用开发方法包括：

利用DeepStream SDK支持的格式配置视频输入源；

利用DeepStream SDK组件处理视频流，获得处理好的视频流数据；

对所述处理好的视频流数据进行结果输出和可视化展示。

进一步地，利用DeepStream SDK支持的格式配置视频输入源，包括：

调取所述DeepStream SDK支持的格式类型，其中，所述格式类型包括H264格式、H265格式和RTSP格式；

利用DeepStream SDK支持的格式配置视频输入源。

进一步地，利用DeepStream SDK组件处理视频流，包括：

对所述DeepStream SDK组件的各个插件进行配置，其中，所述插件包括源插件、深度学习模型推理插件、目标追踪插件、输出插件和配置文件插件；

具体的，源插件(Source Plugin)：本组件用于获取视频输入流，根据的需求选择适当的源插件。

深度学习模型推理插件(Inference Plugin)：集成训练好的深度学习模型，以便进行推理任务，如目标分类、目标检测或目标追踪。

目标追踪插件(Tracker Plugin)：如果应用需要目标追踪功能，可以使用此插件来跟踪检测到的目标。

输出插件(Sink Plugin)：用于将处理后的视频流输出到所需的格式，支持的输出格式包括H264、H265等。

配置文件：配置DeepStream应用的参数，包括模型路径、输入源、输出格式等。

利用完成配置的各个插件对视频流进行处理，获得处理后的视频流。

进一步地，对所述DeepStream SDK组件的各个插件进行配置，包括：

调取DeepStream SDK组件的各个插件；

对所述DeepStream SDK组件的各个插件进行功能验证，确定所述DeepStream SDK组件的各个插件是否运行正常；

将运行正常的DeepStream SDK组件的各个插件配置到所述DeepStream SDK组件中；

提取运行异常的DeepStream SDK组件的各个插件，判断所述运行异常的DeepStream SDK组件的各个插件的个数是否达到预设的异常比例P，其中，所述异常比例P的取值范围为(1-1/N)×82％-1+1/N)×82％；N表示所述DeepStream SDK组件能够实现基本运行功能的最小插件个数；

当所述运行异常的DeepStream SDK组件的各个插件的个数达到或超过预设的异常比例P时，则进行异常报警；

当所述运行异常的DeepStream SDK组件的各个插件的个数未达到预设的异常比例P时，则重新运行和调试所述运行异常的DeepStream SDK组件的各个插件直至所述运行异常的DeepStream SDK组件符合验证要求。

一种算法平台深度学习应用开发系统，所述算法平台深度学习应用开发系统包括：

配置模块，用于利用DeepStream SDK支持的格式配置视频输入源；

视频流处理模块，用于利用DeepStream SDK组件处理视频流，获得处理好的视频流数据；

结果获取及可视化展示模块，用于对所述处理好的视频流数据进行结果输出和可视化展示。

进一步地，所述配置模块包括：

调取模块，用于调取所述DeepStream SDK支持的格式类型，其中，所述格式类型包括H264格式、H265格式和RTSP格式；

输入源配置模块，用于利用DeepStream SDK支持的格式配置视频输入源。

进一步地，所述视频流处理模块包括：

第一插件配置模块，用于对所述DeepStream SDK组件的各个插件进行配置，其中，所述插件包括源插件、深度学习模型推理插件、目标追踪插件、输出插件和配置文件插件；

具体的，源插件(Source Plugin)：本组件用于获取视频输入流，根据的需求选择适当的源插件。

深度学习模型推理插件(Inference Plugin)：集成训练好的深度学习模型，以便进行推理任务，如目标分类、目标检测或目标追踪。

目标追踪插件(Tracker Plugin)：如果应用需要目标追踪功能，可以使用此插件来跟踪检测到的目标。

输出插件(Sink Plugin)：用于将处理后的视频流输出到所需的格式，支持的输出格式包括H264、H265等。

配置文件：配置DeepStream应用的参数，包括模型路径、输入源、输出格式等。

视频流处理执行模块，用于利用完成配置的各个插件对视频流进行处理，获得处理后的视频流。

进一步地，所述插件配置模块包括：

第二插件调取模块，用于调取DeepStream SDK组件的各个插件；

功能验证模块，用于对所述DeepStream SDK组件的各个插件进行功能验证，确定所述DeepStream SDK组件的各个插件是否运行正常；

集成配置模块，用于将运行正常的DeepStream SDK组件的各个插件配置到所述DeepStream SDK组件中；

插件提取模块，用于提取运行异常的DeepStream SDK组件的各个插件，判断所述运行异常的DeepStream SDK组件的各个插件的个数是否达到预设的异常比例P，其中，所述异常比例P的取值范围为(1-1/N)×82％-1+1/N)×82％；N表示所述DeepStream SDK组件能够实现基本运行功能的最小插件个数；

异常报警模块，用于当所述运行异常的DeepStream SDK组件的各个插件的个数达到或超过预设的异常比例P时，则进行异常报警；

调试运行模块，用于当所述运行异常的DeepStream SDK组件的各个插件的个数未达到预设的异常比例P时，则重新运行和调试所述运行异常的DeepStream SDK组件的各个插件直至所述运行异常的DeepStream SDK组件符合验证要求。

一种算法平台深度学习应用开发的计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述算法平台深度学习应用开发方法的步骤。

一种算法平台深度学习应用开发的电子设备，所述电子设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述任一项所述算法平台深度学习应用开发方法的步骤。

本发明有益效果：

本发明提出的一种算法平台深度学习应用开发方法、系统、介质和设备实现根据训练好的深度学习模型进行全流程的应用开发。该过程包括，深度硬件支持的视频编解码，支持格式有H264，H265、RTSP流、文件；深度硬件支持的深度学习模型推理，包括目标分类、目标检测、目标追踪等；绘制推理结果并以输入中支持的任意格式输出。解决了当前算法平台缺少全流程深度学习应用开发的相关功能的问题。对于算法平台训练出来的模型，通过deepstream组件实现基于其的应用开发，该应用可以适应不同类型的媒体输入输出需求，并充分利用硬件加速，解决了算法平台训练出来的模型直接部署在嵌入式设备上时因无法充分调用硬件遇到的性能问题。

附图说明

图1为本发明所述方法的流程图；

图2为本发明所述系统的系统框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提出了一种算法平台深度学习应用开发方法，如图1所示，所述算法平台深度学习应用开发方法包括：

S1、利用DeepStream SDK支持的格式配置视频输入源；

S2、利用DeepStream SDK组件处理视频流，获得处理好的视频流数据；

S3、对所述处理好的视频流数据进行结果输出和可视化展示。

上述技术方案的工作原理为：配置视频输入源(S1)：首先，使用DeepStream SDK支持的配置格式来设置视频输入源。这可以包括摄像头、视频文件、网络摄像头流等不同类型的视频源。

视频流处理(S2)：一旦配置了视频输入源，DeepStream SDK组件会处理视频流数据。这些组件可以包括视频解码、目标检测、跟踪、分类等，具体取决于应用程序的需求。例如，如果是用于视频监控，组件可能会检测和跟踪目标对象。

结果输出和可视化展示(S3)：最后，处理好的视频流数据中可能包含有关检测到的目标对象、其位置、分类信息等结果。这些结果可以被输出到不同的目标，如存储到文件、实时流传输给其他应用程序或进行可视化展示，例如在监控屏幕上显示检测到的目标框和标签。

上述技术方案的效果为：实时视频处理：DeepStream SDK具有高度优化的视频处理功能，能够实时处理大量视频流，适用于监控、视频分析和人工智能等应用。

目标检测和跟踪：SDK支持目标检测和跟踪，可以帮助用户在视频中识别、跟踪和分析感兴趣的对象或事件，如行人、车辆等。

结果输出和可视化：SDK允许将处理后的结果以各种方式输出和展示，这有助于用户实时了解视频数据中发生的事情，支持决策和报警。

可扩展性：DeepStream SDK是可扩展的，可以根据应用程序的需求添加不同的组件和算法，以适应不同的视频处理任务。

总之，本技术方案的技术效果在于利用DeepStream SDK提供的视频处理功能，使用户能够处理、分析和可视化视频数据，支持各种视频应用，从而提高了实时视频处理的效率和可用性。

本发明的一个实施例，利用DeepStream SDK支持的格式配置视频输入源，包括：

S101、调取所述DeepStream SDK支持的格式类型，其中，所述格式类型包括H264格式、H265格式和RTSP格式；

S102、利用DeepStream SDK支持的格式配置视频输入源。

上述技术方案的工作原理为：调取支持的格式类型(S101)：首先，通过DeepStreamSDK的文档或配置文件，确定支持的视频格式类型。在这种情况下，所述格式类型包括H264格式、H265格式和RTSP格式。这些格式类型代表不同的视频编码和传输方式。

配置视频输入源(S102)：一旦了解了支持的格式类型，就可以根据应用程序的需求选择并配置相应的视频输入源。这些输入源可以是：

H264格式：适用于包含H264编码的视频文件或网络摄像头流。

H265格式：适用于包含H265编码的视频文件或网络摄像头流。

RTSP格式：适用于从RTSP流获取视频数据，RTSP是一种实时流传输协议，通常用于网络摄像头和视频流服务器。

通过选择适当的格式类型和配置视频输入源，DeepStream SDK将能够正确地解析和处理输入的视频数据。

上述技术方案的效果为：多格式支持：DeepStream SDK支持多种视频格式类型，使用户能够处理不同来源和编码方式的视频数据，增加了灵活性。

简化配置：通过使用支持的格式类型来配置视频输入源，简化了设置过程，减少了配置错误的可能性。

适应不同应用：不同的视频格式类型适用于不同的应用场景，例如H264和H265适用于本地视频文件或网络摄像头流，而RTSP适用于从网络摄像头获取实时视频流。

总之，本技术方案的技术效果在于提供了一种便捷的方式来配置DeepStream SDK的视频输入源，以适应不同的视频处理需求和格式类型。这有助于用户更轻松地构建适用于各种应用的视频处理应用程序。

本发明的一个实施例，利用DeepStream SDK组件处理视频流，包括：

S201、对所述DeepStream SDK组件的各个插件进行配置，其中，所述插件包括源插件、深度学习模型推理插件、目标追踪插件、输出插件和配置文件插件；

具体的，源插件(Source Plugin)：本组件用于获取视频输入流，根据的需求选择适当的源插件。

深度学习模型推理插件(Inference Plugin)：集成训练好的深度学习模型，以便进行推理任务，如目标分类、目标检测或目标追踪。

目标追踪插件(Tracker Plugin)：如果应用需要目标追踪功能，可以使用此插件来跟踪检测到的目标。

输出插件(Sink Plugin)：用于将处理后的视频流输出到所需的格式，支持的输出格式包括H264、H265等。

配置文件：配置DeepStream应用的参数，包括模型路径、输入源、输出格式等。

S202、利用完成配置的各个插件对视频流进行处理，获得处理后的视频流。

上述技术方案的工作原理为：配置各个插件(S201)：首先，通过对DeepStream SDK的各个插件进行配置，确定应用程序的工作方式。这些插件包括源插件、深度学习模型推理插件、目标追踪插件、输出插件以及配置文件插件。

源插件：用于选择适当的视频输入源，可以是摄像头、视频文件、网络摄像头流等。

深度学习模型推理插件：集成已经训练好的深度学习模型，用于进行推理任务，如目标分类、目标检测或目标追踪。

目标追踪插件：如果需要目标追踪功能，可以配置此插件来跟踪检测到的目标。

输出插件：用于将处理后的视频流输出到所需的格式，支持的输出格式包括H264、H265等。

配置文件：配置DeepStream应用程序的参数，包括模型路径、输入源、输出格式等。

视频流处理(S202)：完成配置后，各个插件将协同工作以对视频流进行处理。源插件负责获取视频输入流，深度学习模型推理插件用于执行深度学习推理，目标追踪插件用于跟踪检测到的目标，最后输出插件将处理后的视频流输出到指定的目标或格式。

上述技术方案的效果为：模块化和可配置性：本技术方案允许用户根据应用程序的需求灵活地配置各个插件，实现模块化的视频处理，使其适应不同的应用场景。

深度学习模型支持：通过深度学习模型推理插件，用户可以轻松集成已训练好的深度学习模型，实现目标分类、检测或追踪等任务。

多种输出格式支持：输出插件提供了多种输出格式的支持，包括H264和H265等，使用户能够选择适合其需求的格式。

灵活性和可扩展性：DeepStream SDK的模块化架构使其具有高度的可扩展性，用户可以根据需要添加更多的插件或自定义插件来满足特定需求。

总之，本技术方案的技术效果在于提供了一个灵活、可配置和可扩展的视频处理框架，通过DeepStream SDK的插件化架构，用户可以构建适用于各种视频应用的定制化解决方案。

本发明的一个实施例，对所述DeepStream SDK组件的各个插件进行配置，包括：

S201、调取DeepStream SDK组件的各个插件；

S202、对所述DeepStream SDK组件的各个插件进行功能验证，确定所述DeepStream SDK组件的各个插件是否运行正常；

S203、将运行正常的DeepStream SDK组件的各个插件配置到所述DeepStream SDK组件中；

S204、提取运行异常的DeepStream SDK组件的各个插件，判断所述运行异常的DeepStream SDK组件的各个插件的个数是否达到预设的异常比例P，其中，所述异常比例P的取值范围为(1-1/N)×82％-1+1/N)×82％；N表示所述DeepStream SDK组件能够实现基本运行功能的最小插件个数；

S205、当所述运行异常的DeepStream SDK组件的各个插件的个数达到或超过预设的异常比例P时，则进行异常报警；

S206、当所述运行异常的DeepStream SDK组件的各个插件的个数未达到预设的异常比例P时，则重新运行和调试所述运行异常的DeepStream SDK组件的各个插件直至所述运行异常的DeepStream SDK组件符合验证要求。

上述技术方案的工作原理为：调取各个插件(S201)：首先，通过DeepStream SDK的文档或配置文件，获取所有可用的插件列表。DeepStream SDK的组件通常包括源插件、深度学习模型推理插件、目标追踪插件、输出插件等。

功能验证(S202)：对各个插件进行功能验证，以确定它们是否能够正常运行。这包括验证插件是否可以正确地执行其任务，例如从视频源中提取数据、执行深度学习推理、目标追踪等。这一步旨在确保插件在整个DeepStream应用程序中的基本功能正常运行。

配置正常插件(S203)：将运行正常的插件配置到DeepStream SDK组件中，以构建完整的视频处理流程。这些配置包括将源插件连接到深度学习模型推理插件，然后连接到目标追踪插件，最后输出到输出插件。

检测运行异常(S204)：如果某些插件出现异常运行情况，即它们不能正常工作或无法满足验证要求，那么将进行异常检测。在这一步中，首先统计运行异常的插件的个数，并判断是否达到预设的异常比例P。异常比例P的取值范围在(1-1/N)×82％到(1+1/N)×82％之间，其中N表示DeepStream SDK组件能够实现基本运行功能的最小插件个数。

异常处理(S205,S206)：根据检测到的异常情况，采取相应的措施。如果运行异常的插件的个数达到或超过预设的异常比例P，那么进行异常报警。如果未达到预设的异常比例P，那么重新运行和调试运行异常的插件，直到它们符合验证要求。

上述技术方案的效果为：自动化配置和验证：这个技术方案通过自动化配置和验证DeepStream SDK组件的各个插件，降低了配置错误和故障检测的工作负担，提高了应用程序的稳定性。

异常检测和报警：通过监测运行异常的插件数量，并在达到异常比例P时进行异常报警，有助于及时发现和解决问题，确保系统的可靠性和稳定性。

总之，本技术方案的技术效果在于提供了一种有效的方法来管理和维护DeepStream SDK组件的插件，以确保其正常运行，减少了故障处理的时间和成本。这对于构建稳定的视频处理应用程序非常重要。

本发明实施例提出了一种算法平台深度学习应用开发系统，如图2所示，所述算法平台深度学习应用开发系统包括：

配置模块，用于利用DeepStream SDK支持的格式配置视频输入源；

视频流处理模块，用于利用DeepStream SDK组件处理视频流，获得处理好的视频流数据；

结果获取及可视化展示模块，用于对所述处理好的视频流数据进行结果输出和可视化展示。

上述技术方案的工作原理为：配置视频输入源：首先，使用DeepStream SDK支持的配置格式来设置视频输入源。这可以包括摄像头、视频文件、网络摄像头流等不同类型的视频源。

视频流处理：一旦配置了视频输入源，DeepStream SDK组件会处理视频流数据。这些组件可以包括视频解码、目标检测、跟踪、分类等，具体取决于应用程序的需求。例如，如果是用于视频监控，组件可能会检测和跟踪目标对象。

结果输出和可视化展示：最后，处理好的视频流数据中可能包含有关检测到的目标对象、其位置、分类信息等结果。这些结果可以被输出到不同的目标，如存储到文件、实时流传输给其他应用程序或进行可视化展示，例如在监控屏幕上显示检测到的目标框和标签。

上述技术方案的效果为：实时视频处理：DeepStream SDK具有高度优化的视频处理功能，能够实时处理大量视频流，适用于监控、视频分析和人工智能等应用。

目标检测和跟踪：SDK支持目标检测和跟踪，可以帮助用户在视频中识别、跟踪和分析感兴趣的对象或事件，如行人、车辆等。

结果输出和可视化：SDK允许将处理后的结果以各种方式输出和展示，这有助于用户实时了解视频数据中发生的事情，支持决策和报警。

可扩展性：DeepStream SDK是可扩展的，可以根据应用程序的需求添加不同的组件和算法，以适应不同的视频处理任务。

总之，本技术方案的技术效果在于利用DeepStream SDK提供的视频处理功能，使用户能够处理、分析和可视化视频数据，支持各种视频应用，从而提高了实时视频处理的效率和可用性。

本发明的一个实施例，所述配置模块包括：

调取模块，用于调取所述DeepStream SDK支持的格式类型，其中，所述格式类型包括H264格式、H265格式和RTSP格式；

输入源配置模块，用于利用DeepStream SDK支持的格式配置视频输入源。

上述技术方案的工作原理为：调取支持的格式类型：首先，通过DeepStream SDK的文档或配置文件，确定支持的视频格式类型。在这种情况下，所述格式类型包括H264格式、H265格式和RTSP格式。这些格式类型代表不同的视频编码和传输方式。

配置视频输入源：一旦了解了支持的格式类型，就可以根据应用程序的需求选择并配置相应的视频输入源。这些输入源可以是：

H264格式：适用于包含H264编码的视频文件或网络摄像头流。

H265格式：适用于包含H265编码的视频文件或网络摄像头流。

RTSP格式：适用于从RTSP流获取视频数据，RTSP是一种实时流传输协议，通常用于网络摄像头和视频流服务器。

通过选择适当的格式类型和配置视频输入源，DeepStream SDK将能够正确地解析和处理输入的视频数据。

上述技术方案的效果为：多格式支持：DeepStream SDK支持多种视频格式类型，使用户能够处理不同来源和编码方式的视频数据，增加了灵活性。

简化配置：通过使用支持的格式类型来配置视频输入源，简化了设置过程，减少了配置错误的可能性。

适应不同应用：不同的视频格式类型适用于不同的应用场景，例如H264和H265适用于本地视频文件或网络摄像头流，而RTSP适用于从网络摄像头获取实时视频流。

总之，本技术方案的技术效果在于提供了一种便捷的方式来配置DeepStream SDK的视频输入源，以适应不同的视频处理需求和格式类型。这有助于用户更轻松地构建适用于各种应用的视频处理应用程序。

本发明的一个实施例，所述视频流处理模块包括：

第一插件配置模块，用于对所述DeepStream SDK组件的各个插件进行配置，其中，所述插件包括源插件、深度学习模型推理插件、目标追踪插件、输出插件和配置文件插件；

具体的，源插件(Source Plugin)：本组件用于获取视频输入流，根据的需求选择适当的源插件。

深度学习模型推理插件(Inference Plugin)：集成训练好的深度学习模型，以便进行推理任务，如目标分类、目标检测或目标追踪。

目标追踪插件(Tracker Plugin)：如果应用需要目标追踪功能，可以使用此插件来跟踪检测到的目标。

输出插件(Sink Plugin)：用于将处理后的视频流输出到所需的格式，支持的输出格式包括H264、H265等。

配置文件：配置DeepStream应用的参数，包括模型路径、输入源、输出格式等。

视频流处理执行模块，用于利用完成配置的各个插件对视频流进行处理，获得处理后的视频流。

上述技术方案的工作原理为：配置各个插件：首先，通过对DeepStream SDK的各个插件进行配置，确定应用程序的工作方式。这些插件包括源插件、深度学习模型推理插件、目标追踪插件、输出插件以及配置文件插件。

源插件：用于选择适当的视频输入源，可以是摄像头、视频文件、网络摄像头流等。

深度学习模型推理插件：集成已经训练好的深度学习模型，用于进行推理任务，如目标分类、目标检测或目标追踪。

目标追踪插件：如果需要目标追踪功能，可以配置此插件来跟踪检测到的目标。

输出插件：用于将处理后的视频流输出到所需的格式，支持的输出格式包括H264、H265等。

配置文件：配置DeepStream应用程序的参数，包括模型路径、输入源、输出格式等。

视频流处理：完成配置后，各个插件将协同工作以对视频流进行处理。源插件负责获取视频输入流，深度学习模型推理插件用于执行深度学习推理，目标追踪插件用于跟踪检测到的目标，最后输出插件将处理后的视频流输出到指定的目标或格式。

上述技术方案的效果为：模块化和可配置性：本技术方案允许用户根据应用程序的需求灵活地配置各个插件，实现模块化的视频处理，使其适应不同的应用场景。

深度学习模型支持：通过深度学习模型推理插件，用户可以轻松集成已训练好的深度学习模型，实现目标分类、检测或追踪等任务。

多种输出格式支持：输出插件提供了多种输出格式的支持，包括H264和H265等，使用户能够选择适合其需求的格式。

灵活性和可扩展性：DeepStream SDK的模块化架构使其具有高度的可扩展性，用户可以根据需要添加更多的插件或自定义插件来满足特定需求。

总之，本技术方案的技术效果在于提供了一个灵活、可配置和可扩展的视频处理框架，通过DeepStream SDK的插件化架构，用户可以构建适用于各种视频应用的定制化解决方案。

本发明的一个实施例，所述插件配置模块包括：

第二插件调取模块，用于调取DeepStream SDK组件的各个插件；

功能验证模块，用于对所述DeepStream SDK组件的各个插件进行功能验证，确定所述DeepStream SDK组件的各个插件是否运行正常；

集成配置模块，用于将运行正常的DeepStream SDK组件的各个插件配置到所述DeepStream SDK组件中；

插件提取模块，用于提取运行异常的DeepStream SDK组件的各个插件，判断所述运行异常的DeepStream SDK组件的各个插件的个数是否达到预设的异常比例P，其中，所述异常比例P的取值范围为(1-1/N)×82％-1+1/N)×82％；N表示所述DeepStream SDK组件能够实现基本运行功能的最小插件个数；

异常报警模块，用于当所述运行异常的DeepStream SDK组件的各个插件的个数达到或超过预设的异常比例P时，则进行异常报警；

调试运行模块，用于当所述运行异常的DeepStream SDK组件的各个插件的个数未达到预设的异常比例P时，则重新运行和调试所述运行异常的DeepStream SDK组件的各个插件直至所述运行异常的DeepStream SDK组件符合验证要求。

上述技术方案的工作原理为：调取各个插件：首先，通过DeepStream SDK的文档或配置文件，获取所有可用的插件列表。DeepStream SDK的组件通常包括源插件、深度学习模型推理插件、目标追踪插件、输出插件等。

功能验证：对各个插件进行功能验证，以确定它们是否能够正常运行。这包括验证插件是否可以正确地执行其任务，例如从视频源中提取数据、执行深度学习推理、目标追踪等。这一步旨在确保插件在整个DeepStream应用程序中的基本功能正常运行。

配置正常插件：将运行正常的插件配置到DeepStream SDK组件中，以构建完整的视频处理流程。这些配置包括将源插件连接到深度学习模型推理插件，然后连接到目标追踪插件，最后输出到输出插件。

检测运行异常：如果某些插件出现异常运行情况，即它们不能正常工作或无法满足验证要求，那么将进行异常检测。在这一步中，首先统计运行异常的插件的个数，并判断是否达到预设的异常比例P。异常比例P的取值范围在(1-1/N)×82％到(1+1/N)×82％之间，其中N表示DeepStream SDK组件能够实现基本运行功能的最小插件个数。

异常处理：根据检测到的异常情况，采取相应的措施。如果运行异常的插件的个数达到或超过预设的异常比例P，那么进行异常报警。如果未达到预设的异常比例P，那么重新运行和调试运行异常的插件，直到它们符合验证要求。

上述技术方案的效果为：自动化配置和验证：这个技术方案通过自动化配置和验证DeepStream SDK组件的各个插件，降低了配置错误和故障检测的工作负担，提高了应用程序的稳定性。

异常检测和报警：通过监测运行异常的插件数量，并在达到异常比例P时进行异常报警，有助于及时发现和解决问题，确保系统的可靠性和稳定性。

总之，本技术方案的技术效果在于提供了一种有效的方法来管理和维护DeepStream SDK组件的插件，以确保其正常运行，减少了故障处理的时间和成本。这对于构建稳定的视频处理应用程序非常重要。

本发明实施例提出了一种算法平台深度学习应用开发的计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述算法平台深度学习应用开发方法的步骤。

上述技术方案的工作原理为：所述算法平台深度学习应用开发方法包括：

S1、利用DeepStream SDK支持的格式配置视频输入源；

S2、利用DeepStream SDK组件处理视频流，获得处理好的视频流数据；

S3、对所述处理好的视频流数据进行结果输出和可视化展示。

具体的，配置视频输入源(S1)：首先，使用DeepStream SDK支持的配置格式来设置视频输入源。这可以包括摄像头、视频文件、网络摄像头流等不同类型的视频源。

视频流处理(S2)：一旦配置了视频输入源，DeepStream SDK组件会处理视频流数据。这些组件可以包括视频解码、目标检测、跟踪、分类等，具体取决于应用程序的需求。例如，如果是用于视频监控，组件可能会检测和跟踪目标对象。

结果输出和可视化展示(S3)：最后，处理好的视频流数据中可能包含有关检测到的目标对象、其位置、分类信息等结果。这些结果可以被输出到不同的目标，如存储到文件、实时流传输给其他应用程序或进行可视化展示，例如在监控屏幕上显示检测到的目标框和标签。

上述技术方案的效果为：实时视频处理：DeepStream SDK具有高度优化的视频处理功能，能够实时处理大量视频流，适用于监控、视频分析和人工智能等应用。

目标检测和跟踪：SDK支持目标检测和跟踪，可以帮助用户在视频中识别、跟踪和分析感兴趣的对象或事件，如行人、车辆等。

结果输出和可视化：SDK允许将处理后的结果以各种方式输出和展示，这有助于用户实时了解视频数据中发生的事情，支持决策和报警。

可扩展性：DeepStream SDK是可扩展的，可以根据应用程序的需求添加不同的组件和算法，以适应不同的视频处理任务。

总之，本技术方案的技术效果在于利用DeepStream SDK提供的视频处理功能，使用户能够处理、分析和可视化视频数据，支持各种视频应用，从而提高了实时视频处理的效率和可用性。

本发明实施例提出了一种算法平台深度学习应用开发的电子设备，所述电子设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述任一项所述算法平台深度学习应用开发方法的步骤。

上述技术方案的工作原理为：所述算法平台深度学习应用开发方法包括：

S1、利用DeepStream SDK支持的格式配置视频输入源；

S2、利用DeepStream SDK组件处理视频流，获得处理好的视频流数据；

S3、对所述处理好的视频流数据进行结果输出和可视化展示。

具体的，配置视频输入源(S1)：首先，使用DeepStream SDK支持的配置格式来设置视频输入源。这可以包括摄像头、视频文件、网络摄像头流等不同类型的视频源。

视频流处理(S2)：一旦配置了视频输入源，DeepStream SDK组件会处理视频流数据。这些组件可以包括视频解码、目标检测、跟踪、分类等，具体取决于应用程序的需求。例如，如果是用于视频监控，组件可能会检测和跟踪目标对象。

结果输出和可视化展示(S3)：最后，处理好的视频流数据中可能包含有关检测到的目标对象、其位置、分类信息等结果。这些结果可以被输出到不同的目标，如存储到文件、实时流传输给其他应用程序或进行可视化展示，例如在监控屏幕上显示检测到的目标框和标签。

上述技术方案的效果为：实时视频处理：DeepStream SDK具有高度优化的视频处理功能，能够实时处理大量视频流，适用于监控、视频分析和人工智能等应用。

目标检测和跟踪：SDK支持目标检测和跟踪，可以帮助用户在视频中识别、跟踪和分析感兴趣的对象或事件，如行人、车辆等。

结果输出和可视化：SDK允许将处理后的结果以各种方式输出和展示，这有助于用户实时了解视频数据中发生的事情，支持决策和报警。

可扩展性：DeepStream SDK是可扩展的，可以根据应用程序的需求添加不同的组件和算法，以适应不同的视频处理任务。

总之，本技术方案的技术效果在于利用DeepStream SDK提供的视频处理功能，使用户能够处理、分析和可视化视频数据，支持各种视频应用，从而提高了实时视频处理的效率和可用性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。