首先请参考 jetson nano 运行yolov5 配置好测试环境，在此基础之上，我们通过修改配置文件来测试多路视频的实时目标检测，经过简单的优化，我们可以在jetson nano上实现4路1080P或者更多路输入下的实时目标检测。

在不改变yolov5网络结构的前提下，我们需要针对输入的视频大小有针对性的调整模型的batch-size，以及推理的interval来快速达到想要的效果。

这里我们先将输入的视频修改为4路1080P，并将streammux以及yolov5模型的batch-size修改为4（streammux是deepstream的插件，用来把多个并行解码流合并成一个batch传给下一个组件）

运行

可以看到，FPS只有不到10，因此还需要进一步优化，我们知道在大多数的业务场景中，我们其实不需要对视频的每一帧都做处理，由于视频的运动连贯性，我们可以间隔几帧做一次推理，这样可以显著的提高系统整体的吞吐率。

同样，修改config_infer_primary_yoloV5.txt中的interval参数，将其修改为3，也就是每间隔三帧做一次推理

再运行程序测试，我们发现FPS已经显著提高了，可以达到实时的效果。同理，针对更多的视频流（本地/实时流），我们在不修改模型的基础上通过改变上述几个参数，可以有效的提高系统整体的FPS，在实际的场景中完成我们的业务。