MicrocosmWorksІнновації та архітектура цифрового космосу
Про насКонтакт
MicrocosmWorksІнновації та архітектура цифрового космосу

Надаємо IT-рішення, які мають значення. Ми захоплені технологіями, безпекою та допомогою бізнесу зростати завдяки надійній, інноваційній IT-інфраструктурі.

[email protected]
+91 7011868196
New Delhi, India

Центр зростання AI

AI HubІнновації для стартапівПрискорювач для підприємств

Рішення

Всі рішенняДодатки для здоров'я та фітнесуAI відео платформаРозробка AI агентів

Ресурси

ІнсайтиГалузеві ПосібникиШаблони ВикористанняАрхітектурні ШаблониКейси

Компанія

Про НасКонтактНаша Робота

Послуги

Цифровий КонсалтингХмарна ІнфраструктураРозробка SaaSРозробка AIВідео Технології
Розробка ERPНалаштування ZohoРозробка OdooІнтеграція SalesforceРозробка Користувацьких CRM
Інтеграція QuickBooksРішення IoTРозробка Блокчейну
Консалтинг з КібербезпекиІТ Підтримка - L3

© 2026 MicrocosmWorks. Усі права захищено.

Політика КонфіденційностіУмови Обслуговування
Назад до Кейсів
AI SurveillanceОпубліковано June 22, 2026 · Оновлено June 22, 2026

Аналітика багатопотокового відео в реальному часі з прискореним AI на GPU

Постачальнику корпоративних рішень безпеки було необхідно одночасно обробляти кілька живих відеопотоків за допомогою виявлення на основі AI, надаючи сповіщення в реальному часі з точною синхронізацією міток часу по всій розподіленій інфраструктурі.

Обговоріть Ваш Проєкт
realtime-multi-stream-video-analytics.webp
AI Surveillance
Domain
12
Technologies
4
Key Results
Delivered
Status

Виклик

Обробка кількох RTSP потоків за допомогою AI вимагала вирішення кількох складних проблем:

  • Обмеження пам'яті GPU обмежували одночасну обробку потоків
  • Відхилення тактової частоти між машинами запису та машинами висновків спричиняло дрейф міток часу
  • Традиційні моделі виявлення були занадто повільними для багатопотокових сценаріїв у реальному часі
  • Події повинні були точно співвідноситися з позиціями відтворення відео для перегляду

Наше Рішення

Ми розробили розподілену платформу висновків AI, оптимізовану для багатопотокової обробки в реальному часі із синхронізацією міток часу на основі PTS.

Архітектура

  • Двигун висновків: YOLO11 з прискоренням TensorRT на NVIDIA RTX 4000 Ada
  • Відстеження: Відстеження кількох об'єктів ByteTrack з постійним присвоєнням ID
  • Потокова передача: MediaMTX для перетворення протоколів RTSP/HLS/RTMP
  • Зв'язок: Подвійні WebSocket канали (накладання живих виявлень + сповіщення про події)
  • Інфраструктура: DigitalOcean (запис) + RunPod (висновки GPU)

Методи оптимізації

  1. Прискорення TensorRT – Компіляція моделі до TensorRT для пакетних висновків за ~15мс
  2. Мікро-пакетування – Кадри з кількох потоків об'єднуються в пакети для ефективності GPU
  3. Управління пам'яттю – Використання 4-6ГБ VRAM для 10-12 одночасних потоків
  4. Синхронізація міток часу PTS – Синхронізація на основі Presentation Timestamp, що усуває відхилення тактової частоти між машинами
  5. Корекція зміщення між машинами – Автоматичний розрахунок зміщення часу між розподіленими вузлами

Конвеєр виявлення

  • Виявлення людей/транспортних засобів з оцінкою достовірності
  • Розпізнавання номерних знаків та вилучення тексту за допомогою EasyOCR
  • Виявлення пожежі та диму з налаштовуваною чутливістю
  • Поведінкова аналітика (тривалість перебування без мети, зони вторгнення, пороги зайнятості)

Ключові особливості

  1. Подвійні WebSocket канали – Окремі потоки для даних відео-накладання та подій сповіщення
  2. Синхронізація PTS – Мітки часу подій відповідають точним позиціям відтворення відео
  3. Стійке відстеження об'єктів – ByteTrack підтримує ID по кадрах для послідовного відстеження
  4. Налаштовувані зони виявлення – Визначення регіонів вторгнення/перебування без мети для кожної камери
  5. Автомасштабування – Динамічний розподіл потоків на основі доступності GPU

Результати

Пропускна здатність: 10-12 одночасних потоків з виявленням у реальному часі
Затримка: ~15мс на пакетний висновок (оптимізовано TensorRT)
Точність міток часу: Точність менше секунди на розподілених машинах

Технологічний Стек

PyTorchYOLO11TensorRTByteTrackEasyOCRFastAPIMediaMTXWebSocketDockerDigitalOceanRunPodCUDA

caseStudyDetail.more Кейси

Ознайомтесь з іншими нашими технічними впровадженнями

AI Accounting

Обробка рахунків-фактур за допомогою AI, OCR та інтеграції з QuickBooks

Середній бізнес, який щомісяця обробляє сотні рахунків-фактур від постачальників, потребував усунення ручного введення даних шляхом автоматичного вилучення даних рахунків-фактур за допомогою AI/OCR та їх прямої синхронізації з QuickBooks для ведення бухгалтерського обліку та відстеження платежів.

Читати Кейс
Video Encoding

Вставка реклами на стороні клієнта (CSAI) з парсингом маркерів SCTE-35 та інтеграцією багатоплатформного плеєра

Платформа потокового відео потребувала впровадження вставки реклами на стороні клієнта (CSAI) для веб-, мобільних програм та програм для підключених телевізорів — що забезпечує персоналізований рекламний досвід на рівні пристрою з повною підтримкою взаємодії з рекламою (натискні оверлеї, супутні банери, кнопки пропуску), який не може забезпечити вставка на стороні сервера.

Готові Трансформувати Свій Бізнес?

Давайте обговоримо, як ми можемо застосувати подібні рішення для ваших завдань.

Зв'язатися з НамиcaseStudyDetail.viewAllCaseStudies
Час безвідмовної роботи: Автоматичний моніторинг стану та відновлення контейнерів
Читати Кейс
Web Scraping

Платформа для скрапінгу та генерації контенту блогів на базі AI

Медіакомпанії була потрібна інтелектуальна контент-платформа, яка могла б автоматизувати створення контенту для блогів шляхом скрапінгу наявного веб-контенту, його аналізу за допомогою AI та генерації оригінальних, SEO-оптимізованих дописів у блогах з видобутих даних.

Читати Кейс

Часті запитання

MicrocosmWorks оптимізував конвеєр шляхом пакетної обробки кадрів з декількох потоків в єдині виклики висновку GPU, використовуючи NVIDIA TensorRT, що максимізує використання GPU та досягає затримки менше 100 мс на кадр навіть при обробці 20+ одночасних потоків на вузол. Архітектура використовує прискорене CUDA відеодекодування для розвантаження вилучення кадрів з CPU, запобігаючи вузькому місцю декодування, яке зазвичай обмежує продуктивність багатопотоковості.

MicrocosmWorks розробила відмовостійкі обробники потоків, які підтримують кінцеві автомати станів для кожної камери, автоматично перепідключаючи втрачені потоки з експоненційною затримкою, продовжуючи обробляти всі справні потоки безперервно. Пошкоджені кадри виявляються за допомогою перевірки контрольної суми та коректно пропускаються, а система відстежує метрики стану потоків, які запускають сповіщення, коли надійність камери падає нижче конфігурованих порогових значень.

Так, MicrocosmWorks надає конвеєр для навчання власних моделей, де ви надаєте розмічені приклади ваших цільових об'єктів для виявлення, і команда доналаштовує базові моделі виявлення для розпізнавання галузевих об'єктів, поведінки або аномалій. Платформа підтримує гарячу заміну моделей у виробничому середовищі без простоїв, тому ви можете ітеративно покращувати точність виявлення у міру збору додаткових навчальних даних з розгорнутих камер.

MicrocosmWorks розробила аналітичну платформу на архітектурі, що базується на Kubernetes, де GPU worker pods масштабуються горизонтально залежно від кількості потоків та навантаження на обробку. Додавання потужності таке ж просте, як надання додаткових GPU nodes, і рівень оркестрації автоматично перерозподіляє потоки між доступними workers, підтримуючи стабільну затримку та точність виявлення незалежно від загального розміру розгортання.

MicrocosmWorks реалізував опції edge-preprocessing, де початкове вилучення кадрів та опціональне полегшене inference відбувається близько до камер, зменшуючи необхідну пропускну здатність до центрального аналітичного кластера шляхом передачі лише key frames або кліпів, що запускаються подіями. Для повністю централізованих розгортань платформа підтримує потоки H.265 з конфігурованою роздільною здатністю, а типова пропускна здатність становить 2-4 Mbps на потік 1080p при частоті вибірки аналітики 15fps.