xjshimax / video_pipe_c Goto Github PK

• B站视频演示
• B站视频教程
• C站视频教程

一个用于视频结构化的框架。它可以处理复杂任务，如流读取（从本地或网络）、视频解码、基于深度学习模型的推理（分类/检测/特征提取/...）、跟踪及行为分析、屏幕上显示（OSD）、通过中间件进行数据代理（如Kafka/Socket）、视频编码和流推送（RTMP或本地文件）。框架采用面向插件的编码风格，我们可以使用独立的插件，即框架中的Node类型，来构建不同类型的视频分析管道。

VideoPipe类似于英伟达的DeepStream和华为的mxVision，但它更易于使用，更具备可移植性，并且对于像gstreamer这样难以学习（编码风格或调试方面）的第三方模块的依赖较少。该框架纯粹由原生C++ STL编写，并较少依赖于主流的第三方模块（如OpenCV），因此代码更易于在不同平台上移植。

VideoPipe可用于以下场合:

1. 视频结构化
2. 图片搜索（相似度检索）
3. 人脸识别
4. 安防领域的行为分析（如交通事件检测）、reID相关应用

注意：
VideoPipe是一个让计算机视觉领域中模型集成更加简单的框架，它并不是像TensorFlow、TensorRT类似的深度学习框架。

• 流读取。支持流行的协议，如udp（视频或图像）、rtsp、rtmp、文件（视频或图像）。
• 视频解码。支持基于opencv/gstreamer的视频解码（支持硬件加速）。
• 基于深度学习的推理。支持基于深度学习模型的多级推理，例如目标检测、图像分类、特征提取。你只需准备好模型并了解如何解析其输出即可。推理可以基于不同的后端实现，如opencv::dnn（默认）、tensorrt、paddle_inference、onnx runtime等，任何你喜欢的都可以。
• 屏幕显示（OSD）。支持可视化，如将模型输出绘制到帧上。
• 消息代理。支持将结构化数据（json/xml/自定义格式）以kafka/Sokcet等方式推送到云端、文件或其他第三方平台。
• 目标追踪。支持目标追踪，例如iou、sort跟踪算法等。
• 行为分析（BA）。支持基于追踪的行为分析，例如越线、停车判断。
• 录制。支持特定时间段的视频录制，特定帧的截图。
• 视频编码。支持基于opencv/gstreamer的视频编码（支持硬件加速）。
• 流推送。支持通过rtmp、rtsp（无需专门的rtsp服务器）、文件（视频或图像）、udp（仅限图像）、屏幕显示（GUI）进行流推送或结果展示。

1. 可视化管道，对于调试非常有用。管道的运行状态会自动在屏幕上刷新，包括管道中每个连接点的fps、缓存大小、延迟等信息，你可以根据这些运行信息快速确定管道的瓶颈所在。
2. 节点之间通过智能指针传递数据，默认情况下是浅拷贝，当数据在整个管道中流动时无需进行内容拷贝操作。当然，如果需要，你可以指定深拷贝，例如当管道具有多个分支时，你需要分别在两个不同的内容拷贝上进行操作。
3. 你可以构建不同类型的管道，支持单通道或多通道的管道，管道中的通道是独立的。
4. 管道支持钩子（回调），你可以向管道注册回调以获取状态通知（参见第1项），例如实时获取某个连接点的fps。
5. VideoPipe中已经内置了许多节点类型，但是框架中的所有节点都可以由用户重新实现，也可以根据你的实际需求实现更多节点类型。
6. 整个框架主要由原生C++编写，可在所有平台上移植。

• sample code
• node table
• how VideoPipe works
• how record works
• environment for reference
• 😊 wait for update...

平台

• ubuntu 18.04 x86_64 NVIDIA rtx/tesla GPUs
• ubuntu 18.04 aarch64 NVIDIA jetson serials device (tx2 tested)
• ubuntu 18.04 x86_64(PURE CPU)
• other platforms wait for tested

基础

• vscode (remote development on windows)
• c++ 17
• opencv 4.6
• gstreamer 1.20 (required by opencv)
• gcc 7.5

可选, 如果你需要实现自己的推理后端，或者使用除opencv::dnn之外的其他推理后端.

• CUDA
• TensorRT
• paddle inference
• onnx runtime
• anything you like

如何安装CUDA和TensorRT

如何安装Paddle_Inference

有2种方式:

1. Shell & VSCode
2. CMake & CLion

• Build VideoPipe (via shell)

  • run cd build/
  • run sh build.sh
  • it will generate a library called libvp.so and copy it to /usr/local/lib automatically.

• Debug VideoPipe (via vscode)

  • select the cpp file you want to debug (keep it activated), like ./sample/1-1-1_sample.cpp
  • press run button at debug menu in vscode
  • select a launch item at the top of window (something like C/C++: g++ vp project)

注意： ./third_party/ 下面都是独立的项目，有的是header-only库，被VideoPipe直接引用；有的包含有cpp文件，可以独立编译或运行，VideoPipe依赖这些库，因此需要提前编译好这些库。具体编译或使用方法可参见对应子目录下的README文件.

Add soft link for libraries:

cd /usr/local/include
ln -s /path/to/opencv2 opencv2 # opencv
ln -s /usr/local/cuda/include cuda # cuda
ln -s /path/to/TensorRT-xxx/include tensorrt # TensorRT

mkdir build # if not exist
cd build
cmake ..
make

You will get dynamic libraries and executable samples in build.

Use IDEs such as CLion which will read the CMakeLists.txt and generate debug configurations.

• 先将VideoPipe编译成库，然后引用它.
• 直接引用源代码，然后编译整个application.

谷歌网盘下载测试文件和模型

百度网盘下载测试文件和模型

下面是一个如何构建Pipeline然后运行的Sample(请先修改代码中的相关文件路径):

#include "VP.h"
#include "../nodes/vp_file_src_node.h"
#include "../nodes/infers/vp_yunet_face_detector_node.h"
#include "../nodes/infers/vp_sface_feature_encoder_node.h"
#include "../nodes/osd/vp_face_osd_node_v2.h"
#include "../nodes/vp_screen_des_node.h"
#include "../nodes/vp_rtmp_des_node.h"
#include "../utils/analysis_board/vp_analysis_board.h"

/*
* ## 1-1-N sample ##
* 1 video input, 1 infer task, and 2 outputs.
*/

#if _1_1_N_sample

int main() {
    VP_SET_LOG_INCLUDE_CODE_LOCATION(false);
    VP_SET_LOG_INCLUDE_THREAD_ID(false);
    VP_LOGGER_INIT();

    // create nodes
    auto file_src_0 = std::make_shared<vp_nodes::vp_file_src_node>("file_src_0", 0, "./test_video/10.mp4", 0.6);
    auto yunet_face_detector_0 = std::make_shared<vp_nodes::vp_yunet_face_detector_node>("yunet_face_detector_0", "./models/face/face_detection_yunet_2022mar.onnx");
    auto sface_face_encoder_0 = std::make_shared<vp_nodes::vp_sface_feature_encoder_node>("sface_face_encoder_0", "./models/face/face_recognition_sface_2021dec.onnx");
    auto osd_0 = std::make_shared<vp_nodes::vp_face_osd_node_v2>("osd_0");
    auto screen_des_0 = std::make_shared<vp_nodes::vp_screen_des_node>("screen_des_0", 0);
    auto rtmp_des_0 = std::make_shared<vp_nodes::vp_rtmp_des_node>("rtmp_des_0", 0, "rtmp://192.168.77.60/live/10000");

    // construct pipeline
    yunet_face_detector_0->attach_to({file_src_0});
    sface_face_encoder_0->attach_to({yunet_face_detector_0});
    osd_0->attach_to({sface_face_encoder_0});

    // auto split
    screen_des_0->attach_to({osd_0});
    rtmp_des_0->attach_to({osd_0});

    file_src_0->start();

    // for debug purpose
    vp_utils::vp_analysis_board board({file_src_0});
    board.display();
}

#endif

上面代码运行后，会出现3个画面:

1. 管道的运行状态图，状态自动刷新
2. 屏幕显示结果（GUI）
3. 播放器显示结果（RTMP）

id	sample	screenshot
1	1-1-1_sample
2	1-1-N_sample
3	1-N-N_sample
4	N-1-N_sample
5	N-N_sample
6	paddle_infer_sample
7	src_des_sample
8	trt_infer_sample
9	vp_logger_sample	-
10	face_tracking_sample
11	vehicle_tracking_sample
12	interaction with pipe sample	--
13	record_sample	--
14	message_broker_sample & message_broker_sample2
15	mask_rcnn_sample
16	openpose_sample
17	enet_seg_sample
18	multi detectors and classifiers sample
19	image_des_sample
20	image_src_sample
21	rtsp_des_sample
22	ba_crossline_sample
23	plate_recognize_sample
24	vehicle body scan sample
25	body scan and plate detect sample
26	app_src_sample
27	vehicle cluster based on classify encoding sample
28	ba_stop_sample
29	behaviour analysis
30	similiarity search
31	property and similiarity search
32	ba_jam_sample