概覽概覽

通過Grafana* 儀表板將視頻分析和時間序列分析數據視覺化成視頻分析和時間序列分析數據。開放邊緣透視(OEI) 信息總線、 WebRTC* 或 HTTP 協議, 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據 。

多模式數據可視化微觀服務可與邊緣視頻分析微觀服務獨立使用,也可與工業(EII)微觀服務生態系統的邊緣透視獨立使用。

選定配置 下載下載微觀服務和下列軟件。

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內存。

至少64GB硬盤。

互聯網連接。

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

多式聯運數據可視化微觀服務由作為Docker集裝箱圖像包裝的兩個部件組成:

多式聯運數據-可視化-流

多式聯運數據可視化

通過HTTP、WebRTC或OEI OEI 消息管道使用Grafana* 的多式聯運數據可視化容器將網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的度量。

當多式聯運-數據-可視化集裝箱開始使用時,它根據所選的虛擬化微觀服務模式在格拉法納裝載一個儀表板配置,多式聯運-數據-可視化部分使用格拉法納服務,該服務暴露了格拉法納3000港的格拉法納網絡界面。

Figure 1: Architecture Diagram

利用環境變量,多式數據可視化微觀服務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等微服務中獲取經過處理的視頻,并將其流到網頁上。邊緣視頻分析微觀服務將推斷結果,如物體探測盒捆綁在視頻框上等結果發送到視頻框中。在這一模式下,可視化微觀服務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發送 REST 請求獲得的性能。

在EII模式下,可視化微觀服務訂閱OEI信息布線,以接收視頻框和推斷結果,并在覆蓋推斷結果后將視頻傳送到網頁,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據。

可視化微服務使開發者能夠指定配置。

開始

第1步:配置您的環境

確保所有所需經費所需資源與Ubuntu* 約見。

步驟2:安裝微觀服務

選定配置 下載下載微服務,然后按以下步驟安裝。

配置 下載

打開一個新的終端, 轉到下載的文件夾并解zip 下載的軟件包 :

unzip multimodal_data_visualization.zip

轉到multimodal_data_visualization/目錄 :

cd multimodal_data_visualization

更改可執行的邊緣軟件文件的權限 :

chmod 755 edgesoftware

在下面運行安裝微服務的命令 :

sudo ./edgesoftware install

安裝期間,您將被提示產品鍵。產品鍵包含在Intel發來的郵件中,該郵件確認您的下載。

Figure 2: 產品鍵

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。

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顯示成功成功狀態。

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

多式聯運數據可視化

多式聯運數據-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/可用于運行多式數據可視化微服務。
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據可視化微觀服務

導航至Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources/目錄。

注:默認情況下,多式數據可視化微服務將配置為獨立模式。

運行 docker 合成命令 :docker-compose up

轉到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據可視化微觀服務

以下步驟詳細說明了如何運行多式聯運數據可視化微觀服務以及邊緣視頻分析.

邊緣視頻分析微觀服務公司執行一個視頻分析管道,它為發現、啟動、停止、定制和監測管道執行提供了免費的API。 多式聯運數據視覺化微觀服務公司利用管道處理的數據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 * : 通過導航指定設置大約: config:

確認啟用了. emer connectation.設置為真實。這是默認指定的。

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

第一次導航到網站時,單擊瀏覽器地址欄左側的屏蔽,關閉強化跟蹤保護系統。

步驟2:下載和安裝軟件包邊緣視頻分析

下載微服務: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據可視化下載軟件包時的服務 。 Figure 6: 自定義下載

安裝 :續 續Get Started: Install the Microservice這將安裝兩種微服務。 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”需要深層學習模型來運行視頻分析管道。

轉到安裝軟件包后創建的工作目錄, 并添加文件權限來運行腳本 。

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

轉到http://localhost:30:3000進入格拉法納。

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

選定管道服務器樣板查看邊緣視頻分析微觀服務的數據。

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, 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,或將已完成的輸油管從小組中拆除。 Figure 14: 刷新ed Video Screen

教學圖3:安裝多式數據可視化螺旋* 圖表

注:此教程假設您有一個 Kubernetes 群集可用 。

在此教程中, 您將使用 Helm 圖表在 Kubernetes 群集中安裝多式數據可視化微服務。 多式數據可視化和多式數據可視化流的 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據可視化 Helm 圖表。 您必須完成兩種模式的教學預設條件 。

教學預設條件

完整步驟1和2Get Started區域。要下載 Helm 圖表,您必須選擇自定義下載選項內配置 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。
Figure 15: 成功成功ful Installation including Helm Charts

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

添加系統的主 IP 地址values.yaml多式數據可視化 Helm 圖表文件夾文件。

以 EVA 模式顯示的多模式數據可視化 Helm 圖表

輸入命令 :

helm install 多式聯運數據可視化./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的數據。

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

發送輸油管請求指令,以觸發輸油管流,并使用命令在儀表板上發布FPS結果:

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據可視化 Helm 圖表

添加系統的主 IP 地址values.yaml文件,它位于多式數據可視化引導圖表文件夾中。

設定環境變量 MODE 為空values.yaml位于多式數據虛擬化文件夾, 在哪里是下載的軟件版本。

MODE:

用命令安裝 Helm 圖表 :

helm install 多式聯運數據可視化./multimodal-data-visualization-chart-3.0/

轉到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據視覺化。

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

下一步,請參見“學習更多”中的項目,以繼續你的學習歷程。

學習更多

繼續學習,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, 請務必更新 Firefox* 設置, 內容為 :config -> 介質. 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服務的費用。

關于微微子亞速產品的最新信息,見微軟亞速產品的最新信息。網站網站.

概覽概覽

通過Grafana* 儀表板將視頻分析和時間序列分析數據視覺化成視頻分析和時間序列分析數據。開放邊緣透視(OEI) 信息總線、 WebRTC* 或 HTTP 協議, 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據 。

多模式數據可視化微觀服務可與邊緣視頻分析微觀服務獨立使用,也可與工業(EII)微觀服務生態系統的邊緣透視獨立使用。

選定配置 下載下載微觀服務和下列軟件。

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內存。

至少64GB硬盤。

互聯網連接。

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

多式聯運數據可視化微觀服務由作為Docker集裝箱圖像包裝的兩個部件組成:

多式聯運數據-可視化-流

多式聯運數據可視化

通過HTTP、WebRTC或OEI OEI 消息管道使用Grafana* 的多式聯運數據可視化容器將網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的度量。

當多式聯運-數據-可視化集裝箱開始使用時,它根據所選的虛擬化微觀服務模式在格拉法納裝載一個儀表板配置,多式聯運-數據-可視化部分使用格拉法納服務,該服務暴露了格拉法納3000港的格拉法納網絡界面。

Figure 1: Architecture Diagram

利用環境變量,多式數據可視化微觀服務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等微服務中獲取經過處理的視頻,并將其流到網頁上。邊緣視頻分析微觀服務將推斷結果,如物體探測盒捆綁在視頻框上等結果發送到視頻框中。在這一模式下,可視化微觀服務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發送 REST 請求獲得的性能。

在EII模式下,可視化微觀服務訂閱OEI信息布線,以接收視頻框和推斷結果,并在覆蓋推斷結果后將視頻傳送到網頁,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據。

可視化微服務使開發者能夠指定配置。

開始

第1步:配置您的環境

確保所有所需經費所需資源與Ubuntu* 約見。

步驟2:安裝微觀服務

選定配置 下載下載微服務,然后按以下步驟安裝。

配置 下載

打開一個新的終端, 轉到下載的文件夾并解zip 下載的軟件包 :

unzip multimodal_data_visualization.zip

轉到multimodal_data_visualization/目錄 :

cd multimodal_data_visualization

更改可執行的邊緣軟件文件的權限 :

chmod 755 edgesoftware

在下面運行安裝微服務的命令 :

sudo ./edgesoftware install

安裝期間,您將被提示產品鍵。產品鍵包含在Intel發來的郵件中,該郵件確認您的下載。

Figure 2: 產品鍵

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。

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顯示成功成功狀態。

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

多式聯運數據可視化

多式聯運數據-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/可用于運行多式數據可視化微服務。
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據可視化微觀服務

導航至Multimodal_Data_Visualization_Microservice_/Multimodal_Data_Visualization_Resources/目錄。

注:默認情況下,多式數據可視化微服務將配置為獨立模式。

運行 docker 合成命令 :docker-compose up

轉到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據可視化微觀服務

以下步驟詳細說明了如何運行多式聯運數據可視化微觀服務以及邊緣視頻分析.

邊緣視頻分析微觀服務公司執行一個視頻分析管道,它為發現、啟動、停止、定制和監測管道執行提供了免費的API。 多式聯運數據視覺化微觀服務公司利用管道處理的數據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 * : 通過導航指定設置大約: config:

確認啟用了. emer connectation.設置為真實。這是默認指定的。

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

第一次導航到網站時,單擊瀏覽器地址欄左側的屏蔽,關閉強化跟蹤保護系統。

步驟2:下載和安裝軟件包邊緣視頻分析

下載微服務: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據可視化下載軟件包時的服務 。 Figure 6: 自定義下載

安裝 :續 續Get Started: Install the Microservice這將安裝兩種微服務。 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”需要深層學習模型來運行視頻分析管道。

轉到安裝軟件包后創建的工作目錄, 并添加文件權限來運行腳本 。

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

轉到http://localhost:30:3000進入格拉法納。

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

選定管道服務器樣板查看邊緣視頻分析微觀服務的數據。

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, 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,或將已完成的輸油管從小組中拆除。 Figure 14: 刷新ed Video Screen

教學圖3:安裝多式數據可視化螺旋* 圖表

注:此教程假設您有一個 Kubernetes 群集可用 。

在此教程中, 您將使用 Helm 圖表在 Kubernetes 群集中安裝多式數據可視化微服務。 多式數據可視化和多式數據可視化流的 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據可視化 Helm 圖表。 您必須完成兩種模式的教學預設條件 。

教學預設條件

完整步驟1和2Get Started區域。要下載 Helm 圖表,您必須選擇自定義下載選項內配置 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。
Figure 15: 成功成功ful Installation including Helm Charts

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

添加系統的主 IP 地址values.yaml多式數據可視化 Helm 圖表文件夾文件。

以 EVA 模式顯示的多模式數據可視化 Helm 圖表

輸入命令 :

helm install 多式聯運數據可視化./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的數據。

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

發送輸油管請求指令,以觸發輸油管流,并使用命令在儀表板上發布FPS結果:

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據可視化 Helm 圖表

添加系統的主 IP 地址values.yaml文件,它位于多式數據可視化引導圖表文件夾中。

設定環境變量 MODE 為空values.yaml位于多式數據虛擬化文件夾, 在哪里是下載的軟件版本。

MODE:

用命令安裝 Helm 圖表 :

helm install 多式聯運數據可視化./multimodal-data-visualization-chart-3.0/

轉到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據視覺化。

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

下一步,請參見“學習更多”中的項目,以繼續你的學習歷程。

學習更多

繼續學習,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, 請務必更新 Firefox* 設置, 內容為 :config -> 介質. 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服務的費用。

關于微微子亞速產品的最新信息,見微軟亞速產品的最新信息。網站網站.

審核編輯 黃宇