用deepstream50运行yolov5已经可以识别物体现在如何提取目标的坐标位置并打印出来

要提取目标的坐标位置并打印出来，可以在deepstream5.0的配置文件中添加一个元素，用于定义要执行的action。具体步骤如下：

打开deepstream5.0的配置文件，通常为<your_project>/configs/deepstream-app/sourceX_<your_source>.com。

在[primary-gie]部分下添加以下元素：

[primary-gie]
enable=1
gpu-id=0
model-engine-file=<path/to/your/trt/engine/file>
batch-size=1
# add this line to define your custom action
custom-lib-path=<path/to/your/custom/lib>
custom-lib-name=<your_custom_lib_name>

其中<path/to/your/custom/lib>是你自定义的库文件的路径，<your_custom_lib_name>是库文件的名称。

创建一个C++文件，用于定义你的自定义action。文件名可以任意取，这里假设为my_custom_action.cpp。

在my_custom_action.cpp文件中添加以下代码：

#include <iostream>
#include <vector>
#include "nvdsinfer_context.h"
#include "nvdsinfer_custom_impl.h"
#include "nvdsinfer_customparser.h"
#include "nvdsinfer_custombboxparser.h"

using namespace std;

extern "C" bool my_custom_action_impl (NvDsInferContext *ctx, NvDsInferContextBatchInput *inputLayersData, NvDsInferContextBatchOutput *outputLayersData, void *userCtx);

bool my_custom_action_impl (NvDsInferContext *ctx, NvDsInferContextBatchInput *inputLayersData, NvDsInferContextBatchOutput *outputLayersData, void *userCtx)
{
    // get the output layer data
    NvDsInferContextBuffer outputLayerBuffer = outputLayersData->inferBuffers[0];

    // get the output layer dimensions
    NvDsInferDims outputLayerDims = outputLayerBuffer->dims;

    // get the number of detections
    int numDetections = outputLayerDims.numElements / outputLayerDims.d[0];

    // get the output layer data as float32
    float *outputLayerData = (float *) outputLayerBuffer->data;

    // iterate over the detections
    for (int i = 0; i < numDetections; i++)
    {
        // get the detection data
        float *detectionData = outputLayerData + i * outputLayerDims.d[1];

        // get the confidence score
        float confidenceScore = detectionData[2];

        // check if the confidence score is above a threshold
        if (confidenceScore > 0.5)
        {
            // get the class ID
            int classId = (int) detectionData[1];

            // get the bounding box coordinates (in normalized format)
            float xMin = detectionData[3];
            float yMin = detectionData[4];
            float xMax = detectionData[5];
            float yMax = detectionData[6];

            // convert the bounding box coordinates to pixel format
            int width = outputLayerDims.d[3];
            int height = outputLayerDims.d[2];
            int x1 = xMin * width;
            int y1 = yMin * height;
            int x2 = xMax * width;
            int y2 = yMax * height;

            // print the coordinates to the console
            cout << "Class: " << classId << ", Coordinates: (" << x1 << ", " << y1 << ", " << x2 << ", " << y2 << ")" << endl;
        }
    }

    return true;
}

这个函数会被deepstream5.0调用，用于执行你的自定义action。在这个函数中，我们首先获取输出层数据，并计算出有多少个检测结果。然后，我们遍历所有检测结果，并获取每个检测结果的置信度、类别ID和边界框坐标。最后，我们将边界框坐标转换为像素格式，并打印到控制台上。

编译my_custom_action.cpp文件，并将生成的库文件放到之前配置文件中的<path/to/your/custom/lib>路径下。
运行deepstream5.0应用程序，你会看到控制台输出所有检测结果的边界框坐标

用deepstream50运行yolov5已经可以识别物体现在如何提取目标的坐标位置并打印出来