概覽概覽

通過Grafana* 儀表板將視頻分析和時間序列分析數(shù)據(jù)視覺化成視頻分析和時間序列分析數(shù)據(jù)。開放邊緣透視(OEI) 信息總線、 WebRTC* 或 HTTP 協(xié)議, 并使用儀表板顯示, 在同一儀表板中同時流多個視頻。 它還可以訂閱 OEI 信息總線來接收格拉法納儀表板上的時間序列分析數(shù)據(jù) 。

多模式數(shù)據(jù)可視化微觀服務(wù)可與邊緣視頻分析微觀服務(wù)獨立使用,也可與工業(yè)(EII)微觀服務(wù)生態(tài)系統(tǒng)的邊緣透視獨立使用。

選定配置 下載下載微觀服務(wù)和下列軟件。

配置 下載

完成時間 :15分鐘15分鐘

語言:Python* 3

可用軟件 :邊緣視頻分析

目標系統(tǒng)要求

下列處理器之一:

英特爾第6至11代核心提款機處理器

第一至第三代英特爾Xeon可縮放處理器

Intel Atom處理器,帶有Intel流SIMD 擴展4.2(Intel SSE4.2)

至少8GB內(nèi)存。

至少64GB硬盤。

互聯(lián)網(wǎng)連接。

Ubuntu* 20.04 LTS Kernel 5.4*

使用Kernel 5.8 用于第11代 Intel CoreTM 處理器。

如何運作

多式聯(lián)運數(shù)據(jù)可視化微觀服務(wù)由作為Docker集裝箱圖像包裝的兩個部件組成:

多式聯(lián)運數(shù)據(jù)-可視化-流

多式聯(lián)運數(shù)據(jù)可視化

通過HTTP、WebRTC或OEI OEI 消息管道使用Grafana* 的多式聯(lián)運數(shù)據(jù)可視化容器將網(wǎng)頁嵌入格拉法納儀表板,使用AJAX面板將視頻流嵌入Dashboard。它可以在同一 Grafana儀表板上顯示多個視頻。此外,除了視頻外,它還可以顯示與視頻分析和時間序列分析有關(guān)的度量。

當多式聯(lián)運-數(shù)據(jù)-可視化集裝箱開始使用時,它根據(jù)所選的虛擬化微觀服務(wù)模式在格拉法納裝載一個儀表板配置,多式聯(lián)運-數(shù)據(jù)-可視化部分使用格拉法納服務(wù),該服務(wù)暴露了格拉法納3000港的格拉法納網(wǎng)絡(luò)界面。

Figure 1: Architecture Diagram

利用環(huán)境變量,多式數(shù)據(jù)可視化微觀服務(wù)可按以下三種模式部署:

獨立模式(使用 HTTP 接收視頻框)

EVA 模式(使用 WebRTC 接收視頻框)

EII 模式(使用 OEI 消息程序接收視頻框)

在獨立模式下,可視化微觀服務(wù)通過HTTP接收視頻流,并在格拉法納儀表板上顯示。

在EVA模式下,WebRTC框架用于從邊緣視頻分析微觀服務(wù)等微服務(wù)中獲取經(jīng)過處理的視頻,并將其流到網(wǎng)頁上。邊緣視頻分析微觀服務(wù)將推斷結(jié)果,如物體探測盒捆綁在視頻框上等結(jié)果發(fā)送到視頻框中。在這一模式下,可視化微觀服務(wù)還展示了視頻分析指標,如管道狀況和通過向視頻分析微觀服務(wù)發(fā)送 REST 請求獲得的性能。

在EII模式下,可視化微觀服務(wù)訂閱OEI信息布線,以接收視頻框和推斷結(jié)果,并在覆蓋推斷結(jié)果后將視頻傳送到網(wǎng)頁,例如視頻框上的物體探測捆綁框。在這種模式下,可視化微觀服務(wù)還顯示時間序列顯示儀表板,以可視化從EII信息布線上收到的時間序列數(shù)據(jù)。

可視化微服務(wù)使開發(fā)者能夠指定配置。

開始

第1步:配置您的環(huán)境

確保所有所需經(jīng)費所需資源與Ubuntu* 約見。

步驟2:安裝微觀服務(wù)

選定配置 下載下載微服務(wù),然后按以下步驟安裝。

配置 下載

打開一個新的終端, 轉(zhuǎn)到下載的文件夾并解zip 下載的軟件包 :

unzip multimodal_data_visualization.zip

轉(zhuǎn)到multimodal_data_visualization/目錄 :

cd multimodal_data_visualization

更改可執(zhí)行的邊緣軟件文件的權(quán)限 :

chmod 755 edgesoftware

在下面運行安裝微服務(wù)的命令 :

sudo ./edgesoftware install

安裝期間,您將被提示產(chǎn)品鍵。產(chǎn)品鍵包含在Intel發(fā)來的郵件中,該郵件確認您的下載。

Figure 2: 產(chǎn)品鍵

安裝完成后,您可以看到“包件完整安裝”的信息和每個模塊的安裝狀態(tài)。

Figure 3: Installation Complete

第3步:核查安裝

成功安裝的檢查 :

所有安裝的模塊都應(yīng)顯示成功成功狀態(tài)。

以下圖像應(yīng)可在本地本地獲取 。 (使用命令檢查圖像)docker images) )

多式聯(lián)運數(shù)據(jù)可視化

多式聯(lián)運數(shù)據(jù)-可視化-流

路徑路徑路徑路徑路徑multimodal_data_visualization/Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources/可用于運行多式數(shù)據(jù)可視化微服務(wù)。
Figure 4: 成功成功ful Install Verified

教腳

教程1:以獨立模式運行多模式數(shù)據(jù)可視化微觀服務(wù)

導航至Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources/目錄。

注:默認情況下,多式數(shù)據(jù)可視化微服務(wù)將配置為獨立模式。

運行 docker 合成命令 :docker-compose up

轉(zhuǎn)到http://localhost:30:3000進入格拉法納。

上家 家頭板頁面,單擊儀表板儀表板圖標。

單擊管理儀表板選項卡以查看所有預(yù)先配置的儀表板列表。

點擊點擊可視化儀Google* API將提供視頻樣本, 因此Grafana儀表板將裝上視頻。 Figure 5: 可視化儀

注:以不同的視頻流出, 將視頻 url 替換為另一視頻 url 并點擊溪流按鈕。

教程2:運行以 EVA 模式提供的多模式數(shù)據(jù)可視化微觀服務(wù)

以下步驟詳細說明了如何運行多式聯(lián)運數(shù)據(jù)可視化微觀服務(wù)以及邊緣視頻分析.

邊緣視頻分析微觀服務(wù)公司執(zhí)行一個視頻分析管道,它為發(fā)現(xiàn)、啟動、停止、定制和監(jiān)測管道執(zhí)行提供了免費的API。 多式聯(lián)運數(shù)據(jù)視覺化微觀服務(wù)公司利用管道處理的數(shù)據(jù)在格拉法納儀表板上顯示。

步驟1:配置 EVA 模式的客戶瀏覽器

Mozilla Firefox * : 通過導航指定設(shè)置大約: config:

確認啟用了. emer connectation.設(shè)置為真實。這是默認指定的。

確認介質(zhì). peer connection.ice.obfuscate_host_地址設(shè)置為假。這樣就可以在 http://localhost 上成功操作 。

第一次導航到網(wǎng)站時,單擊瀏覽器地址欄左側(cè)的屏蔽,關(guān)閉強化跟蹤保護系統(tǒng)。

步驟2:下載和安裝軟件包邊緣視頻分析

下載微服務(wù):單擊單擊自定義下載選項和選擇邊緣視頻分析與運行多式數(shù)據(jù)可視化下載軟件包時的服務(wù) 。 Figure 6: 自定義下載

安裝 :續(xù) 續(xù)Get Started: Install the Microservice這將安裝兩種微服務(wù)。 Figure 7: 成功成功ful Installation

校驗安裝 :列出使用以下命令下載的 docker 圖像 :docker images Figure 8: Docker Images Download

步驟3:把集裝箱裝上集裝箱

“邊緣視頻分析微觀服務(wù)”需要深層學習模型來運行視頻分析管道。

轉(zhuǎn)到安裝軟件包后創(chuàng)建的工作目錄, 并添加文件權(quán)限來運行腳本 。

cd Edge_Video_Analytics_Resources/ 
sudo chmod +x docker/run.sh 
sudo chmod +x tools/model_downloader/model_downloader.sh

運行以下命令, 從工作目錄中的 Open Model Zoo 下載所需的模型 :

sudo ./tools/model_downloader/model_downloader.sh --model-list 模型_列表/模型.list.yml

打開時查看模型列表模型_列表/模型.list.yml文件。

通過瀏覽模式目錄,檢查下載成功與否 。 Figure 9: Models Directory

導航至Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources目錄 :

cd ../Multimodal_Data_Visualization_Resources/

配置主機 IP :

export HOST_IP=xxx.xxx.xx.xxx

運行運行docker-compose upEVA 模式命令 :

docker-compose -f docker-compose-eva.yml up

打開一個新的終端并檢查集裝箱正在運行:

docker ps --format 'table{{.Image}}t{{.Status}}t{{.Names}}'

Figure 10: Container Status

步驟4:以 EVA 模式運行格拉法納

轉(zhuǎn)到http://localhost:30:3000進入格拉法納。

上家 家 儀表板左轉(zhuǎn)角的頁面,單擊管理儀表板選項卡以查看所有預(yù)先配置的儀表板列表。

選定管道服務(wù)器樣板查看邊緣視頻分析微觀服務(wù)的數(shù)據(jù)。

如果沒有管道在運行,格拉法納儀表板上就會顯示“目前沒有管道在運行”。 Figure 11: Pipeline Status

打開一個新的終端 。

使用 curl API 發(fā)送 REST 請求, 運行物體探測管道 :

curl localhost:8080/pipelines/object_detection/person_vehicle_bike -X POST -H  
'Content-Type: application/json' -d  
'{ 
    "source": { 
        "uri": "https://github.com/intel-iot-devkit/sample-videos/blob/master/person-bicycle-car-detection.mp4?raw=真實", 
        "type": "uri" 
    }, 
    "destination": { 
        "metadata": { 
            "type": "file", 
            "format": "json-lines", 
            "path": "/tmp/results.jsonl" 
        }, 
        "frame": { 
            "type": "webrtc", 
            "對等對等點": "peer_test_1" 
        } 
    }, 
    “parameters”:{ 
        “detection-device”: “CPU” 
    } 
}' 

對于 PRC 用戶, 請使用以下命令 :

curl localhost:8080/pipelines/object_detection/person_vehicle_bike -X POST -H  
'Content-Type: application/json' -d  
'{ 
    "source": { 
        "uri": " https://ghproxy.com/github.com/intel-iot-devkit/sample-videos/blob/master/person-bicycle-car-detection.mp4?raw=真實", 
        "type": "uri" 
    }, 
    "destination": { 
        "metadata": { 
            "type": "file", 
            "format": "json-lines", 
            "path": "/tmp/results.jsonl" 
        }, 
        "frame": { 
            "type": "webrtc", 
            "對等對等點": "peer_test_1" 
        } 
    }, 
    “parameters”:{ 
        “detection-device”: “CPU” 
    } 
}' 

注:通過為目的地同儕身份證明提供一個獨特的價值,可以同時發(fā)送多個管道請求(見A/CN.9/WG.III/WP.39)。對等對等點每次請求啟動新管道時都要這樣做。

一旦管道開始運行狀態(tài), 將導航到格拉法納儀表板上, 以可視化流。 點擊刷新在面板上為正在運行的輸油管獲取視頻流。 Figure 12: Video 溪流ing

一旦所有管道的狀態(tài)改為已完成,將停止以下圖像顯示的視頻流。 Figure 13: Video 溪流ing Stopped

單擊單擊刷新再次提出新的輸油管請求,或?qū)⒁淹瓿傻妮斢凸軓男〗M中拆除。 Figure 14: 刷新ed Video Screen

教學圖3:安裝多式數(shù)據(jù)可視化螺旋* 圖表

注:此教程假設(shè)您有一個 Kubernetes 群集可用 。

在此教程中, 您將使用 Helm 圖表在 Kubernetes 群集中安裝多式數(shù)據(jù)可視化微服務(wù)。 多式數(shù)據(jù)可視化和多式數(shù)據(jù)可視化流的 Helm 圖表包用于樣本部署 。

此教程解釋如何在 EVA 模式和獨立模式中使用多模式數(shù)據(jù)可視化 Helm 圖表。 您必須完成兩種模式的教學預(yù)設(shè)條件 。

教學預(yù)設(shè)條件

完整步驟1和2Get Started區(qū)域。要下載 Helm 圖表,您必須選擇自定義下載選項內(nèi)配置 下載步驟。
安裝完成后,您可以看到信息“軟件包完整整合”和每個模塊的安裝狀態(tài)。
Figure 15: 成功成功ful Installation including Helm Charts

添加系統(tǒng)的主 IP 地址values.yamlEVAM Helm 圖表文件夾的文件 。

添加系統(tǒng)的主 IP 地址values.yaml多式數(shù)據(jù)可視化 Helm 圖表文件夾文件。

以 EVA 模式顯示的多模式數(shù)據(jù)可視化 Helm 圖表

輸入命令 :

helm install 多式聯(lián)運數(shù)據(jù)可視化./multimodal-data-visualization-chart-3.0/

您將會看到類似 :

Figure 16: Run Helm Chart

Get the IP IP 地址 :

kubectl get pods -o wide

您將會看到類似 :

Figure 17: Pod Status after Helm Chart Installation

轉(zhuǎn)到http://:30000至access Multimodal-Data-Visualization.
注:與格拉法納連接可能需要一些時間(最多2分鐘),

上家 家 儀表板左角左轉(zhuǎn)角的頁面上單擊儀表板儀表板圖標。

單擊管理儀表板選項卡,以查看所有預(yù)先配置的儀表板列表。

選定視頻分析儀表板查看邊緣視頻分析微觀服務(wù)的數(shù)據(jù)。

Figure 18: 視頻分析儀表板 before pipeline is triggered

發(fā)送輸油管請求指令,以觸發(fā)輸油管流,并使用命令在儀表板上發(fā)布FPS結(jié)果:

curl localhost:30007/pipelines/object_detection/person_vehicle_bike -X POST -H 
'Content-Type: application/json' -d 
'{
    "source": {
        "uri": "https://github.com/intel-iot-devkit/sample-videos/blob/master/person-bicycle-car-detection.mp4?raw=真實",
        "type": "uri"
    },
    "destination": {
        "metadata": {
            "type": "file",
            "format": "json-lines",
            "path": "/tmp/results.jsonl"
        },
        "frame": {
            "type": "webrtc",
            "對等對等點": "peer_test_1"
        } 
    }, 
    “parameters”:{ 
        “detection-device”: “CPU” 
    } 

}' 

注:對于項目審查委員會的用戶,將編審中請求URI改為:https://ghproxy.com/https://github.com/intel-iot-devkit/sample-views/blob/master/person-bicyccy-car-detraction.mp4?raw=reaty=reaut=真,https://ghproxy.com/https://github.com/intel-iot-devkit/sample-views/blob/master/person/person-bicycly-car-detraction..

單擊刷新按鈕上的 WebRTC 流面板可獲取運行管道的流。

Figure 19: 視頻分析儀表板 showing streaming for the running pipelines

獨立模式的多模式數(shù)據(jù)可視化 Helm 圖表

添加系統(tǒng)的主 IP 地址values.yaml文件,它位于多式數(shù)據(jù)可視化引導圖表文件夾中。

設(shè)定環(huán)境變量 MODE 為空values.yaml位于多式數(shù)據(jù)虛擬化文件夾, 在哪里是下載的軟件版本。

MODE:

用命令安裝 Helm 圖表 :

helm install 多式聯(lián)運數(shù)據(jù)可視化./multimodal-data-visualization-chart-3.0/

轉(zhuǎn)到http://:30000至access Multimodal-Data-Visualization.
注:與格拉法納連接可能需要一些時間(最多2分鐘),

要查看格拉法納儀表板上的視頻樣本流,請選擇可視化儀.

Figure 20: 可視化儀

概述和下一步步驟

你學習如何使用格拉法納儀表板將視頻分析和時間序列分析數(shù)據(jù)視覺化。

使用Edge Video Alytics Microservice(Edge Video Avictics Microservice),

下一步,請參見“學習更多”中的項目,以繼續(xù)你的學習歷程。

學習更多

繼續(xù)學習,見下列指南和軟件資源:

GitHub*

嵌入樞紐 :

multimodal-data-visualization

multimodal-data-visualization-streaming

邊緣視頻分析

開放邊緣透視 for Industrial

排除故障

如果Grafana沒有顯示流, 請務(wù)必更新 Firefox* 設(shè)置, 內(nèi)容為 :config -> 介質(zhì). peer connection.ice.obfuscate_host_地址至假.

如果視頻沒有在瀏覽器上流, 并且顯示安裝視頻編碼器的錯誤, 然后通過終端安裝下面的軟件包并重新啟動瀏覽器 。

sudo apt-get install ffmpeg

如果用 FPS 顯示的“ RUNNINING” 狀態(tài)管道瀏覽器上看不到流流, 那么在運行容器前確保 HOST_ IP 被導出 。

export HOST_IP=xxx.xxx.xx.xxx

支助論壇支助論壇

若您無法解決問題,請聯(lián)系支助論壇支助論壇.?

你負責支付所有第三方費用,包括支付使用微軟Azure服務(wù)的費用。

關(guān)于微微子亞速產(chǎn)品的最新信息,見微軟亞速產(chǎn)品的最新信息。網(wǎng)站網(wǎng)站.

概覽概覽

通過Grafana* 儀表板將視頻分析和時間序列分析數(shù)據(jù)視覺化成視頻分析和時間序列分析數(shù)據(jù)。開放邊緣透視(OEI) 信息總線、 WebRTC* 或 HTTP 協(xié)議, 并使用儀表板顯示, 在同一儀表板中同時流多個視頻。 它還可以訂閱 OEI 信息總線來接收格拉法納儀表板上的時間序列分析數(shù)據(jù) 。

多模式數(shù)據(jù)可視化微觀服務(wù)可與邊緣視頻分析微觀服務(wù)獨立使用,也可與工業(yè)(EII)微觀服務(wù)生態(tài)系統(tǒng)的邊緣透視獨立使用。

選定配置 下載下載微觀服務(wù)和下列軟件。

配置 下載

完成時間 :15分鐘15分鐘

語言:Python* 3

可用軟件 :邊緣視頻分析

目標系統(tǒng)要求

下列處理器之一:

英特爾第6至11代核心提款機處理器

第一至第三代英特爾Xeon可縮放處理器

Intel Atom處理器,帶有Intel流SIMD 擴展4.2(Intel SSE4.2)

至少8GB內(nèi)存。

至少64GB硬盤。

互聯(lián)網(wǎng)連接。

Ubuntu* 20.04 LTS Kernel 5.4*

使用Kernel 5.8 用于第11代 Intel CoreTM 處理器。

如何運作

多式聯(lián)運數(shù)據(jù)可視化微觀服務(wù)由作為Docker集裝箱圖像包裝的兩個部件組成:

多式聯(lián)運數(shù)據(jù)-可視化-流

多式聯(lián)運數(shù)據(jù)可視化

通過HTTP、WebRTC或OEI OEI 消息管道使用Grafana* 的多式聯(lián)運數(shù)據(jù)可視化容器將網(wǎng)頁嵌入格拉法納儀表板,使用AJAX面板將視頻流嵌入Dashboard。它可以在同一 Grafana儀表板上顯示多個視頻。此外,除了視頻外,它還可以顯示與視頻分析和時間序列分析有關(guān)的度量。

當多式聯(lián)運-數(shù)據(jù)-可視化集裝箱開始使用時,它根據(jù)所選的虛擬化微觀服務(wù)模式在格拉法納裝載一個儀表板配置,多式聯(lián)運-數(shù)據(jù)-可視化部分使用格拉法納服務(wù),該服務(wù)暴露了格拉法納3000港的格拉法納網(wǎng)絡(luò)界面。

Figure 1: Architecture Diagram

利用環(huán)境變量,多式數(shù)據(jù)可視化微觀服務(wù)可按以下三種模式部署:

獨立模式(使用 HTTP 接收視頻框)

EVA 模式(使用 WebRTC 接收視頻框)

EII 模式(使用 OEI 消息程序接收視頻框)

在獨立模式下,可視化微觀服務(wù)通過HTTP接收視頻流,并在格拉法納儀表板上顯示。

在EVA模式下,WebRTC框架用于從邊緣視頻分析微觀服務(wù)等微服務(wù)中獲取經(jīng)過處理的視頻,并將其流到網(wǎng)頁上。邊緣視頻分析微觀服務(wù)將推斷結(jié)果,如物體探測盒捆綁在視頻框上等結(jié)果發(fā)送到視頻框中。在這一模式下,可視化微觀服務(wù)還展示了視頻分析指標,如管道狀況和通過向視頻分析微觀服務(wù)發(fā)送 REST 請求獲得的性能。

在EII模式下,可視化微觀服務(wù)訂閱OEI信息布線,以接收視頻框和推斷結(jié)果,并在覆蓋推斷結(jié)果后將視頻傳送到網(wǎng)頁,例如視頻框上的物體探測捆綁框。在這種模式下,可視化微觀服務(wù)還顯示時間序列顯示儀表板,以可視化從EII信息布線上收到的時間序列數(shù)據(jù)。

可視化微服務(wù)使開發(fā)者能夠指定配置。

開始

第1步:配置您的環(huán)境

確保所有所需經(jīng)費所需資源與Ubuntu* 約見。

步驟2:安裝微觀服務(wù)

選定配置 下載下載微服務(wù),然后按以下步驟安裝。

配置 下載

打開一個新的終端, 轉(zhuǎn)到下載的文件夾并解zip 下載的軟件包 :

unzip multimodal_data_visualization.zip

轉(zhuǎn)到multimodal_data_visualization/目錄 :

cd multimodal_data_visualization

更改可執(zhí)行的邊緣軟件文件的權(quán)限 :

chmod 755 edgesoftware

在下面運行安裝微服務(wù)的命令 :

sudo ./edgesoftware install

安裝期間,您將被提示產(chǎn)品鍵。產(chǎn)品鍵包含在Intel發(fā)來的郵件中,該郵件確認您的下載。

Figure 2: 產(chǎn)品鍵

安裝完成后,您可以看到“包件完整安裝”的信息和每個模塊的安裝狀態(tài)。

Figure 3: Installation Complete

第3步:核查安裝

成功安裝的檢查 :

所有安裝的模塊都應(yīng)顯示成功成功狀態(tài)。

以下圖像應(yīng)可在本地本地獲取 。 (使用命令檢查圖像)docker images) )

多式聯(lián)運數(shù)據(jù)可視化

多式聯(lián)運數(shù)據(jù)-可視化-流

路徑路徑路徑路徑路徑multimodal_data_visualization/Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources/可用于運行多式數(shù)據(jù)可視化微服務(wù)。
Figure 4: 成功成功ful Install Verified

教腳

教程1:以獨立模式運行多模式數(shù)據(jù)可視化微觀服務(wù)

導航至Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources/目錄。

注:默認情況下,多式數(shù)據(jù)可視化微服務(wù)將配置為獨立模式。

運行 docker 合成命令 :docker-compose up

轉(zhuǎn)到http://localhost:30:3000進入格拉法納。

上家 家頭板頁面,單擊儀表板儀表板圖標。

單擊管理儀表板選項卡以查看所有預(yù)先配置的儀表板列表。

點擊點擊可視化儀Google* API將提供視頻樣本, 因此Grafana儀表板將裝上視頻。 Figure 5: 可視化儀

注:以不同的視頻流出, 將視頻 url 替換為另一視頻 url 并點擊溪流按鈕。

教程2:運行以 EVA 模式提供的多模式數(shù)據(jù)可視化微觀服務(wù)

以下步驟詳細說明了如何運行多式聯(lián)運數(shù)據(jù)可視化微觀服務(wù)以及邊緣視頻分析.

邊緣視頻分析微觀服務(wù)公司執(zhí)行一個視頻分析管道,它為發(fā)現(xiàn)、啟動、停止、定制和監(jiān)測管道執(zhí)行提供了免費的API。 多式聯(lián)運數(shù)據(jù)視覺化微觀服務(wù)公司利用管道處理的數(shù)據(jù)在格拉法納儀表板上顯示。

步驟1:配置 EVA 模式的客戶瀏覽器

Mozilla Firefox * : 通過導航指定設(shè)置大約: config:

確認啟用了. emer connectation.設(shè)置為真實。這是默認指定的。

確認介質(zhì). peer connection.ice.obfuscate_host_地址設(shè)置為假。這樣就可以在 http://localhost 上成功操作 。

第一次導航到網(wǎng)站時,單擊瀏覽器地址欄左側(cè)的屏蔽,關(guān)閉強化跟蹤保護系統(tǒng)。

步驟2:下載和安裝軟件包邊緣視頻分析

下載微服務(wù):單擊單擊自定義下載選項和選擇邊緣視頻分析與運行多式數(shù)據(jù)可視化下載軟件包時的服務(wù) 。 Figure 6: 自定義下載

安裝 :續(xù) 續(xù)Get Started: Install the Microservice這將安裝兩種微服務(wù)。 Figure 7: 成功成功ful Installation

校驗安裝 :列出使用以下命令下載的 docker 圖像 :docker images Figure 8: Docker Images Download

步驟3:把集裝箱裝上集裝箱

“邊緣視頻分析微觀服務(wù)”需要深層學習模型來運行視頻分析管道。

轉(zhuǎn)到安裝軟件包后創(chuàng)建的工作目錄, 并添加文件權(quán)限來運行腳本 。

cd Edge_Video_Analytics_Resources/ 
sudo chmod +x docker/run.sh 
sudo chmod +x tools/model_downloader/model_downloader.sh

運行以下命令, 從工作目錄中的 Open Model Zoo 下載所需的模型 :

sudo ./tools/model_downloader/model_downloader.sh --model-list 模型_列表/模型.list.yml

打開時查看模型列表模型_列表/模型.list.yml文件。

通過瀏覽模式目錄,檢查下載成功與否 。 Figure 9: Models Directory

導航至Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources目錄 :

cd ../Multimodal_Data_Visualization_Resources/

配置主機 IP :

export HOST_IP=xxx.xxx.xx.xxx

運行運行docker-compose upEVA 模式命令 :

docker-compose -f docker-compose-eva.yml up

打開一個新的終端并檢查集裝箱正在運行:

docker ps --format 'table{{.Image}}t{{.Status}}t{{.Names}}'

Figure 10: Container Status

步驟4:以 EVA 模式運行格拉法納

轉(zhuǎn)到http://localhost:30:3000進入格拉法納。

上家 家 儀表板左轉(zhuǎn)角的頁面,單擊管理儀表板選項卡以查看所有預(yù)先配置的儀表板列表。

選定管道服務(wù)器樣板查看邊緣視頻分析微觀服務(wù)的數(shù)據(jù)。

如果沒有管道在運行,格拉法納儀表板上就會顯示“目前沒有管道在運行”。 Figure 11: Pipeline Status

打開一個新的終端 。

使用 curl API 發(fā)送 REST 請求, 運行物體探測管道 :

curl localhost:8080/pipelines/object_detection/person_vehicle_bike -X POST -H  
'Content-Type: application/json' -d  
'{ 
    "source": { 
        "uri": "https://github.com/intel-iot-devkit/sample-videos/blob/master/person-bicycle-car-detection.mp4?raw=真實", 
        "type": "uri" 
    }, 
    "destination": { 
        "metadata": { 
            "type": "file", 
            "format": "json-lines", 
            "path": "/tmp/results.jsonl" 
        }, 
        "frame": { 
            "type": "webrtc", 
            "對等對等點": "peer_test_1" 
        } 
    }, 
    “parameters”:{ 
        “detection-device”: “CPU” 
    } 
}' 

對于 PRC 用戶, 請使用以下命令 :

curl localhost:8080/pipelines/object_detection/person_vehicle_bike -X POST -H  
'Content-Type: application/json' -d  
'{ 
    "source": { 
        "uri": " https://ghproxy.com/github.com/intel-iot-devkit/sample-videos/blob/master/person-bicycle-car-detection.mp4?raw=真實", 
        "type": "uri" 
    }, 
    "destination": { 
        "metadata": { 
            "type": "file", 
            "format": "json-lines", 
            "path": "/tmp/results.jsonl" 
        }, 
        "frame": { 
            "type": "webrtc", 
            "對等對等點": "peer_test_1" 
        } 
    }, 
    “parameters”:{ 
        “detection-device”: “CPU” 
    } 
}' 

注:通過為目的地同儕身份證明提供一個獨特的價值,可以同時發(fā)送多個管道請求(見A/CN.9/WG.III/WP.39)。對等對等點每次請求啟動新管道時都要這樣做。

一旦管道開始運行狀態(tài), 將導航到格拉法納儀表板上, 以可視化流。 點擊刷新在面板上為正在運行的輸油管獲取視頻流。 Figure 12: Video 溪流ing

一旦所有管道的狀態(tài)改為已完成,將停止以下圖像顯示的視頻流。 Figure 13: Video 溪流ing Stopped

單擊單擊刷新再次提出新的輸油管請求,或?qū)⒁淹瓿傻妮斢凸軓男〗M中拆除。 Figure 14: 刷新ed Video Screen

教學圖3:安裝多式數(shù)據(jù)可視化螺旋* 圖表

注:此教程假設(shè)您有一個 Kubernetes 群集可用 。

在此教程中, 您將使用 Helm 圖表在 Kubernetes 群集中安裝多式數(shù)據(jù)可視化微服務(wù)。 多式數(shù)據(jù)可視化和多式數(shù)據(jù)可視化流的 Helm 圖表包用于樣本部署 。

此教程解釋如何在 EVA 模式和獨立模式中使用多模式數(shù)據(jù)可視化 Helm 圖表。 您必須完成兩種模式的教學預(yù)設(shè)條件 。

教學預(yù)設(shè)條件

完整步驟1和2Get Started區(qū)域。要下載 Helm 圖表,您必須選擇自定義下載選項內(nèi)配置 下載步驟。
安裝完成后,您可以看到信息“軟件包完整整合”和每個模塊的安裝狀態(tài)。
Figure 15: 成功成功ful Installation including Helm Charts

添加系統(tǒng)的主 IP 地址values.yamlEVAM Helm 圖表文件夾的文件 。

添加系統(tǒng)的主 IP 地址values.yaml多式數(shù)據(jù)可視化 Helm 圖表文件夾文件。

以 EVA 模式顯示的多模式數(shù)據(jù)可視化 Helm 圖表

輸入命令 :

helm install 多式聯(lián)運數(shù)據(jù)可視化./multimodal-data-visualization-chart-3.0/

您將會看到類似 :

Figure 16: Run Helm Chart

Get the IP IP 地址 :

kubectl get pods -o wide

您將會看到類似 :

Figure 17: Pod Status after Helm Chart Installation

轉(zhuǎn)到http://:30000至access Multimodal-Data-Visualization.
注:與格拉法納連接可能需要一些時間(最多2分鐘),

上家 家 儀表板左角左轉(zhuǎn)角的頁面上單擊儀表板儀表板圖標。

單擊管理儀表板選項卡,以查看所有預(yù)先配置的儀表板列表。

選定視頻分析儀表板查看邊緣視頻分析微觀服務(wù)的數(shù)據(jù)。

Figure 18: 視頻分析儀表板 before pipeline is triggered

發(fā)送輸油管請求指令,以觸發(fā)輸油管流,并使用命令在儀表板上發(fā)布FPS結(jié)果:

curl localhost:30007/pipelines/object_detection/person_vehicle_bike -X POST -H 
'Content-Type: application/json' -d 
'{
    "source": {
        "uri": "https://github.com/intel-iot-devkit/sample-videos/blob/master/person-bicycle-car-detection.mp4?raw=真實",
        "type": "uri"
    },
    "destination": {
        "metadata": {
            "type": "file",
            "format": "json-lines",
            "path": "/tmp/results.jsonl"
        },
        "frame": {
            "type": "webrtc",
            "對等對等點": "peer_test_1"
        } 
    }, 
    “parameters”:{ 
        “detection-device”: “CPU” 
    } 

}' 

注:對于項目審查委員會的用戶,將編審中請求URI改為:https://ghproxy.com/https://github.com/intel-iot-devkit/sample-views/blob/master/person-bicyccy-car-detraction.mp4?raw=reaty=reaut=真,https://ghproxy.com/https://github.com/intel-iot-devkit/sample-views/blob/master/person/person-bicycly-car-detraction..

單擊刷新按鈕上的 WebRTC 流面板可獲取運行管道的流。

Figure 19: 視頻分析儀表板 showing streaming for the running pipelines

獨立模式的多模式數(shù)據(jù)可視化 Helm 圖表

添加系統(tǒng)的主 IP 地址values.yaml文件,它位于多式數(shù)據(jù)可視化引導圖表文件夾中。

設(shè)定環(huán)境變量 MODE 為空values.yaml位于多式數(shù)據(jù)虛擬化文件夾, 在哪里是下載的軟件版本。

MODE:

用命令安裝 Helm 圖表 :

helm install 多式聯(lián)運數(shù)據(jù)可視化./multimodal-data-visualization-chart-3.0/

轉(zhuǎn)到http://:30000至access Multimodal-Data-Visualization.
注:與格拉法納連接可能需要一些時間(最多2分鐘),

要查看格拉法納儀表板上的視頻樣本流,請選擇可視化儀.

Figure 20: 可視化儀

概述和下一步步驟

你學習如何使用格拉法納儀表板將視頻分析和時間序列分析數(shù)據(jù)視覺化。

使用Edge Video Alytics Microservice(Edge Video Avictics Microservice),

下一步,請參見“學習更多”中的項目,以繼續(xù)你的學習歷程。

學習更多

繼續(xù)學習,見下列指南和軟件資源:

GitHub*

嵌入樞紐 :

multimodal-data-visualization

multimodal-data-visualization-streaming

邊緣視頻分析

開放邊緣透視 for Industrial

排除故障

如果Grafana沒有顯示流, 請務(wù)必更新 Firefox* 設(shè)置, 內(nèi)容為 :config -> 介質(zhì). peer connection.ice.obfuscate_host_地址至假.

如果視頻沒有在瀏覽器上流, 并且顯示安裝視頻編碼器的錯誤, 然后通過終端安裝下面的軟件包并重新啟動瀏覽器 。

sudo apt-get install ffmpeg

如果用 FPS 顯示的“ RUNNINING” 狀態(tài)管道瀏覽器上看不到流流, 那么在運行容器前確保 HOST_ IP 被導出 。

export HOST_IP=xxx.xxx.xx.xxx

支助論壇支助論壇

若您無法解決問題,請聯(lián)系支助論壇支助論壇.?

你負責支付所有第三方費用,包括支付使用微軟Azure服務(wù)的費用。

關(guān)于微微子亞速產(chǎn)品的最新信息,見微軟亞速產(chǎn)品的最新信息。網(wǎng)站網(wǎng)站.

審核編輯 黃宇