Комментарии 15
Почему используются встраиваемые решения, а не передается поток данных на сервер с мощными ускорителями?
Как я понял, у этих решений производительность на порядок меньше, чем у обычных десктопных видеокарт NVIDIA и на два-четыре порядка меньше, чем у специализированных серверных ускорителей NVIDIA
Вроде бы проблем с покупкой бытовых видеокарт не должно быть, даже в текущих российских реалиях
5мпикселов. Сырой поток. 15 кадров сек. На перекрестке 4 камеры. 10 перекрестков. Куда и как это передавать?
Посчитал, выходит где-то 600-700 мбит/с на всех. По проводу, как мне кажется, проблем передать в датацентр не будет. Может даже и через сотовую связь получится - но не знаю, свечку не держал
А можно ваши расчеты в явном виде?
15-17.5 мегабит h264 на камеру, умноженные на 40 камер. Такого битрейта должно быть достаточно с запасом на озвученные параметры видеопотока.
Да, сырой поток тут 300 мбит на камеру, но сжимать h264 умеют даже самые дешевые бытовые камеры
Есть мнение, что сжатие расжатие существенно ухудшит процесс распознавания.
А если перекрёстков 100? 1000? Представь как все эти камеры в Москве, Казани и прочих городах не только сжатые чб фотки штрафов передают на сервер, а видеопоток. Бред же. Поэтому all-in-one устройства логичнее.
Больше того. Заказчик, выбирая между купить всё-в-одном ИЛИ постоянно башлять конторе, которая в любой момент может стать тыквой, даже если собственных серверов узаказчика нет, выберет первое.
Встраиваемое решение было выбрано из-за того, что не везде есть возможность передать видеопоток на сервер. В изначальных задачах было заложено требование к автономной работе устройства, без передачи данных на сервер.
Может поток получается слишком большой со всех камер?
Я конечно не эксперт в компьютерном зрении, но помню в универе использовали open cv. Такие задачи как определение машин, номеров решаемо с помощью нее. Какое преимущество в использовании больших нейронок для таких задач? С первого взгляда кажется будто из пушки по воробьям стреляете...
Всё дело в точности. Для высокого качества трекинга автомобилей требуется достаточно высокая точность детекций, поэтому было принято решение использовать нейросеть Yolov5S, так как это достаточно легкая, но качественная модель.
Задача по определению номеров действительно может быть решена с использованием инструментов OpenCV. Неплохо справляются с детектированием номера каскады Хаара. Но для качественной работы такого решения нужны почти идеальные условия. Номера должны быть ровно в кадре, не грязные и т.д. Если кратко, то тестирование показало, что результативность подобных алгоритмов ниже представленных
Попробуйте вот это https://github.com/leafqycc/rknn-multi-threaded работает быстрее. Кстати вы обучали yolov5?
Есть ли жизнь после Nvidia?