Skip to main content

视频结构化 AI 推理流程

「视频结构化」是一种 AI 落地的工程化实现，目的是把 AI 模型推理流程能够一般化。它输入视频，输出结构化数据，将结果给到业务系统去形成某些行业的解决方案。

换个角度，如果你想用摄像头来实现某些智能化监控、预警等，那么「视频结构化」可能就是你要用到的技术方案。

不过，也不一定需要自己去实现，因为各个芯片厂商可能都提供了类似的流程框架：

以上个人没用过，简单看了下，都受限于只能用厂商自家的芯片。个人经验来说，一般硬件还是需要多家可选的，自己实现一套「视频结构化」还是有必要的。

本文将介绍「视频结构化」的实现思路、技术架构，以及衍生的一些工作。

实现思路​

有一个 AI 模型与一段视频，如何进行推理呢？

  • 视频流：OpenCV 打开视频流，获取图像帧
  • 前处理：图像 Resize 成模型输入的 Shape
  • 模型推理：AI 框架进行模型推理，得到输出
  • 后处理：将输出处理成期望的信息
    • 例如，目标检测：解析框的位置和类别，再 NMS 筛选

以上是最基础的推理流程，完成得不错👏

简单任务，这样满足要求就行。但实际任务，可能：

  • 输入
    • 任务接收
    • 视频流
      • 相机选型
      • 视频来源: 录制视频、RTSP 实时流
      • 帧率控制: 一般 5 fps，减少计算
      • 多路并发: 多路视频，并行分析
      • 硬件解码
  • 推理
    • 前处理
      • 输入调整: 缩放、转置
      • Batch 合并
      • 硬件加速
    • 模型推理
      • 硬件选型: Nvidia、华为昇腾、或其他
      • 模型处理: 裁剪、转换、量化
      • 模型编排: 多任务多模型，有先后关系
    • 后处理
      • 输出解析: 推理结果，变为结构化数据
      • 硬件加速
  • 输出
    • 结果推送
  • 其他
    • 视频存储，License
    • 链路追踪，耗时分析

以上流程一般称为「视频结构化」：输入多路视频，进行实时分析，最后输出结构化数据，给到业务系统。

该流程，这里把它分为了输入、推理、输出，都是一个个任务节点，整体采用 Pipeline 方式来编排 AI 推理任务。输入输出时，一般会用 RPC 或消息队列来与业务系统通信。

整体架构​

「视频结构化」整体架构，如下：

管道节点​

管道 Pipeline 这块是主要部分，其实现都是一个个节点：

  • IN
    • 任务接收；视频流解码；帧率控制
  • 推理
    • 推理引擎做模型推理，结果进结构化数据；依编排往后继续
  • 追踪
    • 追踪依赖推理出的特征；业务不需要，就不编排
  • OUT
    • 结果推送；要预览播放的话，进行视频流编码

节点就是个生产消费者，用个阻塞队列很快就能实现。节点间组成一个树，也就是任务编排的结果。节点会有输入输出差异，要约定清楚或分几个类型。

节点流程：消息队列有任务，取出执行，结果进结构化数据，最后发给下一节点的消息队列。

节点的线程数、队列上限，都可做配置。依据耗时分析，可以优化调整。

GStreamer 的 pipeline + plugin 的技术架构值得学习。个人没深入了解，所以不好具体评价，倒见过在输入做插件化解码。NVIDIA DeepStream 直接就基于 GStreamer 开发的。

结构数据​

结构化数据，在整个 Pipeline 里是不断追加完善的过程，最后输出时一般 JSON 化推送。

它的内容约定，是最主要的。会有：

  • 基础信息: task, frame 等信息
  • 推理结果: 会以任务分类进行标签

它会用作节点的输入，例如获取人脸特征，依赖前一目标检测节点的人脸 boxes 信息。

基础模块​

  • 全局配置
    • 通用配置、节点配置与编排；可视化编排，实际就是编辑它
    • 一般 JSON 格式，结构化数据最后也 JSON 化
  • 进程保活
    • Supervisor 不错，可以把终端日志配置进文件
  • 消息通信
    • 与外部系统，用 RPC 或 Redis，也可能推送 Kafka
    • 内部用自己的消息队列
  • 内存共享
    • 用在图像帧，以免拷贝，帧 ID 标识
    • 显存也预申请，队列分配，减少 Host & Device 拷贝

技术选型​

「视频结构化」用 C++ 实现，主要以下几点：

  • FFmpeg 编解码（CPU）
  • OpenCV 前后处理（CPU）
  • 芯片生态库，硬件加速：编解码与前后处理
    • 如 Nvidia: video codec, npp, nvjpeg; 昇腾 dvpp 等
  • 基础库，选择主流的就好，如：
    • Log：gabime/spdlog, google/glog
    • JSON: nlohmann/json
    • RPC: grpc/grpc, apache/incubator-brpc

更详细的技术栈，可见该分享：https://zhuanlan.zhihu.com/p/362711954 ，思维导图很详细。

「视频结构化」实现有些要看自己的权衡：

  • 一个项目怎么支持多个硬件？
    • 编译自动区分环境，编译不同代码，最终会产生多套部署
      • 需要抽象推理、前后处理等硬件相关功能
    • 也可以考虑插件实现，管理好插件配置
  • 视频流要不要用流媒体框架？
    • 简单点直接 FFmpeg，不引入 GStreamer
  • 图像与结果怎么优化同步？
    • 只是图像显示，存储提供链接进结果（注意 IO 瓶颈）
    • 本身视频显示，直接绘制结果进图像，编码进流
      • 或预览端自己实现，流数据包携带结果

衍生工作​

「视频结构化」会有一些衍生的工作：库、工具或系统。

首先，模型一般自定义格式，一是保护，二是方便自己使用。所以，会把原模型及其配置封装进自定义格式，还会标明推理方式、前后处理选择等。

这里会有如下两个部分：

  • 模型转换工具链: 不同硬件模型转换后，再封装进自己格式
  • 模型推理引擎: 模型解封装，再依配置进行推理，出结果

模型可能还要裁剪、量化，也是工作的一部分。

其次，任务情况、JSON 配置、日志等，成熟一点，还会提供管理后台方便使用。

此外，还可能有：

  • License: 生成、校验相关工具，及管理记录
    • 除了有效期，还可以考虑限制路数、任务等
  • 实时监控: 硬件状态监控、预警

结语​

「视频结构化」只是 AI 落地的一部分，实际做方案一是对接算法模型、二是对接业务系统，还可能要去适配新的摄像头或硬件平台。

也就是会有两种支持列表：硬件列表、模型列表。这就是积累的成果了。

「视频结构化」会部署成中心服务器，或边缘计算。不过，只是简单任务，现在可能智能摄像头就够了，都带边缘计算识别人脸什么的。