مسارات فيديو بالذكاء الاصطناعي آنية تصمد في الإنتاج
نموذج على حاسوب محمول مجرّد عرض. النظام يفكّ بثوثًا كثيرة، ويستدلّ في أجزاء من الثانية، ويعمل أشهرًا. نحن نبني النوع الثاني.
- نظرة على إعدادك ومشكلتك
- إجابة صريحة حول ملاءمة الذكاء الاصطناعي
- بلا إلحاح في البيع
الأنظمة التي تقف خلف هذه الخدمة
بُني وطُرح في مختبر ذكاء اصطناعي صناعي · العميل مجهول الهوية
فحص السيور الناقلة
- التحدّي
- كانت أعطال السيور تُكتشف فقط بعد أن تتفاقم إلى توقّف في الإنتاج.
- ما بنيناه
- كشف مستمر للحالات الشاذة على السيور المتحركة، يُظهر الأعطال على لوحة تحكّم تشغيلية.
- النتيجة
- تُرصد العيوب مبكرًا — قبل أن توقف الخط.
نواة البثّ
استيعاب الكاميرات ونماذج قابلة للاستبدال دون إعادة بناء خطّ المعالجة.
- استقبال RTSP / HTTP
- نماذج تُبدَّل دون إيقاف
- استدلال على GPU
- مراقبة الانحراف
ما نبنيه
الاستقبال متعدّد الكاميرات ومعالجة بثوث RTSP
يبدأ المسار من المصدر: استقبال متعدّد الكاميرات من بثوث RTSP وONVIF وIP، مع فكّ ترميز مسرَّع عتاديًّا كي يصرف الـ GPU دوراته على الاستدلال، لا على تفكيك H.264. نتولّى الوقائع غير البرّاقة التي تُعطِب المسارات الساذجة — إعادة الاتصال عند انقطاع البثّ، وانزياح الساعة بين الكاميرات، ومعدّلات الإطارات المتغيّرة، والضغط العكسي حين تتأخّر مرحلة لاحقة — ليبقى البثّ نظيفًا قبل أن يبلغ إطار واحد أيّ نموذج.
استدلال مُحسَّن على GPU: Triton وDeepStream وTensorRT وCUDA
الإنتاجية تحيا وتموت في مرحلة الاستدلال. نقدّم النماذج عبر NVIDIA Triton ونبني رسوم البثّ على DeepStream، مع نماذج مُترجَمة إلى TensorRT وCUDA مخصّص حيث تكون النواة عنق الزجاجة. تتيح لنا المعالجة الدفعية عبر الكاميرات، والدقّة المختلطة، ونقل الذاكرة المثبّتة، دفعَ كشف الأجسام وتتبّعها آنيًا عبر عدّة بثوث كاميرات متزامنة على GPU واحد — بدل تخصيص بطاقة لكل بثّ.
التوسّع والكمون والاستدلال على الحافة مقابل السحابة
لكل نشرٍ ميزانية كمون، وهي التي تحدّد البنية. نحجّم المسار وفقها: استدلال على الحافة في الموقع حين تكون الرحلة إلى السحابة أبطأ من اللازم أو الشبكة أهشّ، وخوادم سحابية أو محلّية حين تكون النماذج ثقيلة والكاميرات كثيفة. نحلّل المسار كاملًا — فكّ الترميز والمعالجة المسبقة والاستدلال والتتبّع والمعالجة اللاحقة — ونقلّص كمون الذيل الذي يحوّل النظام الآني إلى نظام متلكّئ، ليتوسّع مع إضافة الكاميرات بدل أن ينهار.
نشر بـ Docker، محلّيًا أو سحابيًّا
يُسلَّم المسار كخدمات مُحزَّمة بـ Docker ومُصدَّرة النسخ، مع تهيئة زمن تشغيل GPU: ما تحقّقنا منه هو بالضبط ما يعمل — لا خادم يدويّ لا يفهمه سوى شخص واحد. ننشر محلّيًا خلف جدارك الناريّ حين يتعذّر خروج البيانات من الموقع، أو في سحابتك حين يجوز ذلك، ونوصل لوحات التحكّم التي يراقبها المشغّلون فعلًا: الكشوف الحيّة، وصحّة كل كاميرا، والتنبيهات.
MLOps والمراقبة وانحراف النماذج
مسارات الفيديو تتدهور بصمت. تتبدّل الإضاءة مع الفصول، وتُنقل كاميرا، وتظهر فئة جسم جديدة، فتتآكل الدقّة دون خطأ واحد في السجلّات. نبني MLOps للرؤية الحاسوبية حول هذا الواقع: مراقبة صحّة الاستدلال وجودة التنبّؤات، وكشف انحراف يُنبّه حين يبتعد العالم عن بيانات التدريب، ومسار إعادة تدريب يُغلق الحلقة. هذا عمل بنيناه وطرحناه في مختبر ذكاء اصطناعي صناعي — العميل مجهول الهوية.
- استقبال متعدّد الكاميرات
- معالجة RTSP
- NVIDIA Triton
- DeepStream
- TensorRT / CUDA
- استدلال GPU
- تتبّع الأجسام
- الحافة والسحابة
- نشر Docker
- مراقبة الانحراف