init_deviceid: "ALL" #例： 0;  0,1;  2,3; ALL

# 基础控制参数
base:
  # 股道名称
  track_name: "1"
  # 测试模式
  test_model: false
  # Api 监听端口
  api_port: 7070
  # 是否上传识别结果
  up_result: false
  # 是否启用socket-server
  use_socket_server: false
  # 日志文件目录
  log_path: "./logs"
  # 识别结果目录
  result_path: "./result"
  # 调试结果目录
  debug_result_path: "./debug_result"
  # 最优识别目录
  best_result_path: "./best_result"
  # 结果存储天数
  result_save_days: 2

# 日志参数
log:
  # 输出日志级别[DEBUG, INFO, WARN, ERROR, FATAL]
  out_level: "DEBUG"
  # 保存日志级别
  save_level: "DEBUG"

#识别数据来源参数配置
data_source:
  #url: "rtsp://admin:sgt12345@10.27.119.13:554/h264/ch1/main/av_stream"
  url: "./vedio/buertai2.mp4"
  # 跳帧数
  skip_interval: 3
  # 识别目标
  target: "NUM"
  # 行驶方向  0-自动识别 1-向左 2-向右 （与“首位信息”成对存在，形成例如向左就编号在前，向右就属性在前的对应）
  direction: 0
  # 0-向左编号在前 1-向左属性在前 (向右行驶的情况：2-向右编号在前 3-向右属性在前)
  left_first: 0
  # (向左行驶的情况：0-向左编号在前 1-向左属性在前) 2-向右编号在前 3-向右属性在前
  right_first: 3
  # (ltx,lty,rbx,rby)
  identify_areas: "120, 0, 1800, 1080"
  # 大框的最小高度(为屏蔽远股道识别到的信息)
  classid_minheight: "1:90, 2:120, 3:120, 9:240, 10:240, 18:120"

# 识别参数
identify:
  # 硬件解码
  hardware_decode: true
  # 运行方式
  run_mode: "always" #[always; command]
  # 是否开启动态检测
  need_move_detect_flag: true
  # 识别方向  [LEFT,RIGHT,ALL]
  identify_direction: "LEFT"
  # 大框帧跨度（比一个大框从出现到消失的跨度稍大一点, 跟跳帧有关系）
  partition_frame_span: 20
  # 大框帧跨度的位置像素差异
  split_frame_span_px: 200
  # 每帧大框位置差异最小值 (持续小于此值，则可能停车)
  chkstop_px: 15
  # 持续X次续位置差异小于chkstop_px，则判断为停车。
  chkstop_count: 10
  # 过滤最小大框高度（不需要的话就写个很小的值）
  num_frame_height: 150
  pro_frame_height: 120
  # 过滤最大框宽度（不需要的话就写个很大的值）
  space_frame_width: 500
  # 是否识别车头
  train_heard_detect: true
  # 选优 0-频率优先  1-长度优先
  select_best_mode: 0
  # 保存图片质量（1~100 越高越清晰）
  save_pic_quality: 50

#是否实时推流-用于直播
#gc_push_actual_flag: false

# 模型参数
model:
  # 来车检测
  MoveEngine:
    path: "./model/step0/step0.engine"
    model_info_path: "./model/step0/move_modelinfo.txt"
    score_threshold: 0.9
    nms_threshold: 0.3
  # 关键区域识别
  TrainStepOneEngine:
    path: "./model/step1/step1.engine"
    model_info_path: "./model/step1/train_step1_modelinfo.txt"
    score_threshold: 0.6
    nms_threshold: 0.3
  # 字符识别
  TrainStepTwoEngine:
    path: "./model/step2/step2.engine"
    model_info_path: "./model/step2/train_step2_modelinfo.txt"
    score_threshold: 0.7
    nms_threshold: 0.3
  # 定检期关键区域识别
  ChkDateStepOneEngine:
    path: "./model/chkDate_step1/step1.engine"
    model_info_path: "./model/chkDate_step1/chkdate_step1_modelinfo.txt"
    score_threshold: 0.6
    nms_threshold: 0.3
  # 定检期字符识别
  ChkDateStepTwoEngine:
    path: "./model/chkDate_step2/step2.engine"
    model_info_path: "./model/chkDate_step2/chkdate_step2_modelinfo.txt"
    score_threshold: 0.7
    nms_threshold: 0.3
  # 集装箱关键区域识别
  StepOneContainerEngine:
    path: "./model/container_step1/con1.engine"
    model_info_path: "./model/container_step1/container_step1_modelinfo.txt"
    score_threshold: 0.6
    nms_threshold: 0.3
  # 集装箱字符识别
  StepTwoContainerEngine:
    path: "./model/container_step2/con2.engine"
    model_info_path: "./model/container_step2/container_step2_modelinfo.txt"
    score_threshold: 0.7
    nms_threshold: 0.3

# http 接口
http_client:
  # 服务器IP
  http_ip: 192.168.2.108
  # 通讯端口
  http_port: 20004
  # 获取接口授权地址
  token_path: "/api/blade-auth/oauth/token"
  # 识别结果上传地址
  up_result_path: "/api/train-carriage/identification/rfid-save"
  # 设备状态上传地址
  device_status_url: "/api/blade-train/deviceInfo/save"
  # 接口用户名
  username: "guest_01"
  # 接口密码
  password: "d55b0f642e817eea24725d2f2a31dd08"
  # 上传图片的地址
  image_srv: "http://192.168.0.121:9010/"

# websocket_server 的服务端参数
wsocket_server:
  port: 7071
  max_queue_len: 10

#sftp用户名、密码、地址
ftp:
  type: "ftp" #可选 ftp 或 sftp
  ip: "192.168.2.138"
  port: 21 # ftp默认21  sftp默认22
  username: "nvidia"
  password: "nvidia"
  image_path: ""
  quit_time: 10 #无上传任务延迟XXX秒断开FTP连接

gc_space_minrbx_imgpercent: 0 #间隔框最低点不应小于画面某个高度值(该值为画面百分比) [主要为屏蔽远股道间隔框，若不需要屏蔽则配置为0]