NVIDIA Released DeepStream 9.1: Bringing Agentic AI to Vision AI With 13 Skills and Multi-View 3D Tracking

NVIDIA 今日正式釋出 DeepStream 9.1 版本，這項重大更新瞄準了視訊分析領域長期存在的跨攝影機追蹤難題。以往要讓多支攝影機共同鎖定同一物體，必須仰賴手動校準與複雜計算，如今新版透過兩項全新功能——多視角 3D 追蹤（Multi-View 3D Tracking，MV3DT）與自動校準工具（AutoMagicCalib，AMC）——將開發門檻大幅降低，且兩者均以「代理技能」（agentic skills）形式納入編碼代理（coding agents）中，讓開發者從概念到可運行的管線變得更加快速。

DeepStream 是 NVIDIA 專為 AI 影片與影像理解打造的串流分析工具套件，其底層採用 GStreamer 框架，可在 NVIDIA GPU 上進行多串流、多模型的推論。管線整合了硬體加速的解碼編碼、TensorRT 推論、物件追蹤以及訊息代理（message broker）整合功能。在此基礎上，9.1 版新增了五大重點：13 個代理技能、跨攝影機追蹤的 MV3DT 技能、自動校準的 AMC 技能、支援 Jetson Orin 與 Thor 邊緣裝置的 JetPack 7.2，以及以 CC-BY-4.0 與 Apache-2.0 授權統一的開源 GitHub 倉庫。

MV3DT 是本次更新的核心技能。其運作原理是將多台已完成校準的攝影機所產生的偵測結果，投射到共享的 3D 世界座標系統中，再比對不同攝影機視角下同一物體的觀測資料，最後賦予一個全域一致的物件 ID。整個資料流程分為四個階段。在偵測階段，每支攝影機串流執行一個物件偵測器，MV3DT 提供三種可直接使用的模型：以 Transformer 為基礎的 PeopleNetTransformer（預設用於行人場景）、基於 DetectNet_v2 架構的高效率 PeopleNet v2.6.3，以及多類別偵測器 RT-DETR 2D（可偵測行人、搬運車與堆高機）。

接著在單眼 3D 感知階段，每支攝影機利用儲存在 YAML 校準檔案中的 3×4 投影矩陣，將 2D 邊界框透過地面平面假設反投影到 3D 世界空間中。然後進行多視角關聯，追蹤器透過輕量級發布／訂閱通訊協定 MQTT（Message Queuing Telemetry Transport）共享軌跡資料；當兩支攝影機觀察到同一個人時，根據 3D 世界空間中的距離比對並匹配軌跡。

最後，結果以三種形式輸出：螢幕顯示（OSD）呈現含 2D 與 3D 邊界框的格狀畫面；鳥瞰圖（BEV）提供俯視軌跡地圖；Kafka 訊息則傳送每幀的 protobuf 元數據，包含感測器 ID、物件 ID 與 3D 邊界框。MV3DT 依賴已校準的攝影機，傳統校準需要使用棋盤格進行手動設定，耗時且影響運作。AutoMagicCalib 則改變了這個流程：它透過分析現有影片檔案或串流中的追蹤物件，自動估計每部攝影機的內參（焦距、主點、鏡頭畸變）與外參（旋轉、平移、世界位置）。

其內部管線包含五個階段：單一攝影機軌跡提取、單視圖校正、多視角軌跡匹配、捆綁調整（bundle adjustment），以及可選的 VGGT 細化步驟——當物件移動有限時，VGGT（Visual Geometry Grounded Transformer）可提供額外幫助。AMC 以微服務形式運行，提供 REST API 與網頁介面，使用者只需提供一張佈局影像與少數對齊點即可。代理技能的工作流程也經過重新設計。開發者不再需要手動編輯設定檔，而是以自然語言描述意圖。這些技能可與 Claude Code、Codex、Cursor 等代理工具搭配使用。

安裝方式簡短：複製 DeepStream GitHub 倉庫後，將技能複製到代理的技能目錄，接著執行一個簡單的提示詞，例如「deploy mv3dt on the 12-camera sample dataset」，MV3DT 技能便會自動驗證先決條件、拉取容器、安裝 Kafka 與 Mosquitto 代理服務、下載模型權重、產生管線設定檔並啟動追蹤。若缺少校準檔案，技能還會自動觸發 AMC 完成校準。對比前一代 DeepStream 9.0，9.1 的進化相當顯著。

代理技能從 2 個增加到 13 個；跨攝影機 3D 追蹤從未以技能形式提供，升級為完整的 MV3DT 技能與參考應用程式；攝影機校準從手動轉變為 AMC 微服務自動化；Jetson 支援從 JetPack 7.1 GA 提升至 7.2，涵蓋 Orin 與 Thor 平台；樣本資料集新增 4 攝影機與 12 攝影機的 MV3DT 測試集；套件發佈方式則從 NGC 套件與 GitHub 原始碼分開，統一為 GitHub 單一倉庫。這些功能對應到實際部署場景相當明確。

在倉庫安全管理中，可利用 RT-DETR 2D 以單一 ID 追蹤在貨架間移動的工人與堆高機動態；零售業分析可透過攝影機區域無縫追蹤消費者，精準測量停留時間，避免重複辨識錯誤；智慧建築監控能計算各樓層人員數量，並將 Kafka 元數據餵入儀表板；機器人與智慧城市應用則依靠一致的世界座標進行導航與事件回顧。總結關鍵要點：DeepStream 9.

1 提供 13 個代理技能，讓編碼代理能透過自然語言提示建構多攝影機視覺管線；MV3DT 將每支攝影機的偵測結果融合到共享 3D 世界中，維持單一全域物件 ID；AutoMagicCalib 以現有影片取代手動棋盤格校準，自動估算內外參；JetPack 7.2 支援擴展到 Jetson Orin 與 Thor 裝置；輸出可透過 OSD、鳥瞰圖與 Kafka protobuf 元數據直接整合至下游分析與儀表板。相關資源已開放於 NVIDIA 官方 GitHub 倉庫，開發者及企業用戶可立即下載嘗試。