本文介绍了视频结构化的实现思路、整体架构和技术选型。通过OpenCV获取视频流，经过前处理、模型推理和后处理，输出结构化数据。视频结构化通常涉及管道节点的编排，包括输入、推理和输出任务。整体架构采用Pipeline方式，节点间通过消息队列通信。结构化数据包含基础信息和推理结果，以JSON形式推送。技术选型上，文章提到了FFmpeg、OpenCV、芯片生态库和各种基础库的使用。此外，文章还讨论了衍生工作的内容，如模型转换工具链、模型推理引擎和管理后台等。
「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：</
最低0.47元/天 解锁文章
1017
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
