视频拼接融合产品的产品与架构设计(二)

视频拼接融合产品的产品与架构设计一
以上是第一期，以前思考的时候还是比较着急，现在思考的更多了，现实世界的拼接更加需要我们沉下心来做，尤其是对于更多画面，画面更加清晰怎么做

本篇章不在于其他功能，在于说明选型和效率问题

重中之重-选型

使用什么硬件
我来清除地阐述现在所有的硬件平台，绝无虚言，
1 nvidia 英伟达的cuda
     英伟达的产品好用，主要在于cuda生态，同时细节处理丰满，运用简单，他的gpu解码器和编码器和tensor core 分别为不同的芯片，可以流水线处理，windows下可以使用dlss 进行超分处理，可以同时使用cuda技术解码和directx 11 技术解码，vulcan技术解码，可以在gpu中直接处理所有算法，而不用下放到cpu，拼接完成，编码完成后发出rtsp流，后面我会证明为什么要使用cuda。
2 amd
     amd的显卡解码在windows下可以直接使用directx11，至于其他可以使用opencl 去做，这一部分需要熟悉opencl的kernel，也是可以的，效率会稍稍差一些，如果是没有什么选择，尽量使用nvidia的夏卡
3 intel 显卡
     intel的核显很强大，编解码非常厉害，同时intel出的独立显卡也是很好用的，同样可以使用他的独立显卡，如出的arc A750 ，arcA770，都是可用的，图像处理也没有问题，可以选，但是慎重
4 瑞芯微3588
瑞芯微3588 可以用，解码芯片和编码芯片也很突出，有硬件的rga处理
不过技术文档不友好，但是还是可以用，记住流程，使用rga硬件，使用opencl都可以的
5 树莓派
可以硬件解码，图像处理可以使用opencl
6 华为昇腾（Ascend）
暂时对图像处理不友好，可以使用opencv高版本进行处理，npu可以使用
7 其他国产显卡
暂时不要进行研究处理，通用性还没有那么好，等待各个图像处理和AI处理都可以了，再进行下一步

至于国内的显卡，我为什么现在不推荐做，因为现在还不成熟，而对于amd 和 intel 显卡我们要排在英伟达的后面，因为英伟达确实通用性非常强。
以上希望其他研究者，学者与我联系，如果可能，我会尽我所能进行测试分析，或者纠正我说的错误

分布式架构

下面我就nvidia显卡进行分析，说明cuda的效率

cuda nv12 和 bgr 互相转化

为什么要使用bgr 和 nv12 的转化？因为我们都知道大名鼎鼎的opencv，处理图像和滤波算法以及AI算法推理，可以使用bgr方式，这样，使用cuda转化，使用bgr 和 rgb方式进行AI算法推理和普通算法处理图像，结束后立即编码，

__global__ void BGR2NV12Kernel(const uchar3* srcBGR, unsigned char* dstY, unsigned char* dstUV, int width, int height, int srcStep, int dstYStep, int dstUVStep) {
    int x = blockIdx.x * blockDim.x + threadIdx.x;
    int y = blockIdx.y * blockDim.y + threadIdx.y;

    if (x < width && y < height) {
        int srcIndex = y * srcStep + x ;
        int dstYIndex = y * dstYStep + x;
        int dstUVIndex = y / 2 * dstUVStep + x;

        // BGR to NV12 conversion
        uchar3 pixel = srcBGR[srcIndex];
        dstY[dstYIndex] = 0.299f * pixel.x + 0.587f * pixel.y + 0.114f * pixel.z; // Y component
        //以下为uv分量转化
    }
}

结果出来的图像是这样的

考虑x周横向是3个像素，修改一下
int srcIndex = y * srcStep + x *3;

离目标有点远，仔细分析cuda代码，应该是这样

uchar3* ppixel = (uchar3*)((unsigned char*)srcBGR + y * srcStep) + x;

这下正确了，cuda的好用就在于像素并行操作！
右边是原图，左边是cuda转硬件的bgr 到 nv12，再次使用 nv12 转成bgr ，进行显示，耗费时间，我们加几行代码进行计算

    double startTime = cv::getTickCount();
    // 在这里执行你需要测量耗时的操作
    // 例如，这里模拟一个延时操作
    
    // 记录结束时间
    double endTime = cv::getTickCount();
    //bgr 转nv12
     bgr_to_nv12_cuda(reinterpret_cast<uchar3*>(gpu_input_image.data), frame->data[0],
     frame->data[1], w, h, gpu_input_image.step, frame->linesize[0], frame->linesize[1]);
    
    //nv12 转 bgr
     nv12_to_rgb24_cuda(frame->data[0], frame->data[1], memory, m1.step, frame->linesize[0], frame->linesize[1], frame->width, frame->height, 3);
 
     // 计算时间差，单位为毫秒
    double elapsedTimeMs = (endTime - startTime) / cv::getTickFrequency() * 1000.0;
    std::cout << "Elapsed time in milliseconds: " << elapsedTimeMs << std::endl;

nvidia 1650 显卡，使用cuda ，花费0.946 毫秒，1毫秒不到完成2次转化，图片太小，我们加一个2k的图像进行转化：如下所示

花费1.27 毫秒，性能开始下降，比较危险，看看是否能够提高
线程块修改
dim3 block(16, 16);
dim3 block(32, 32);

基本上提高了一点，不大，4k画面估计要到2-3毫秒，我们再次测试一下

果然到了2.478 毫秒，这个时间有些超量，希望可以优化到1毫秒多。
对于一秒钟视频25帧画面来说，4k画面需要2.5 * 25 = 62.5 毫秒，说实话有点多了。
如果我们使用ffmpeg cpu swscale， 后果不堪设想。

总结

总之效率是最重要的，还有一点一直是我所思考的，如果死磕gpu，那么cpu 会浪费，所以对gpu 和 cpu 除了要分布式处理，还要进行分担，所以我决定从多点出发，需要进行cpu 前处理插件点，gpu处理插件点，gpu下拉后插件点 ，利用cpu 多核处理能力，同时分担gpu的任务。

未完，待续。。。。。。。