Réponse directe
Utilisez le flux le plus bas qui préserve l'objet cible à la taille de pixel requise. Mesurez le débit binaire en cas de mouvement réel, puis réservez de la capacité pour les reconnexions, les rafales et la visualisation par l'opérateur.
Pourquoi cela arrive
La précision AI peut nécessiter des détails du flux principal, tandis qu'un sous-flux peut être suffisant pour la détection de gros objets ou de l'état de la scène. Le débit binaire variable augmente également pendant le mouvement, exactement lorsque les alertes sont importantes.
Dimensionnez le chemin d'ingestion pour la tâche d'inférence, puis conservez distincts le flux d'origine, les métadonnées dérivées et les superpositions rendues.
Un test contrôlé
Testez des scènes représentatives et comparez la qualité du modèle, le débit binaire et le coût de décodage pour chaque profil de caméra.
Modifiez une variable à la fois. Conservez le modèle de caméra, le micrologiciel, le point final et le compte enregistrés ; testez ensuite l'accessibilité du réseau, la réponse du protocole, le transport multimédia et le décodage en tant que couches distinctes.
Utilisez un compte dédié en lecture seule et un outil de diagnostic local fiable. Rédigez les informations d’identification, les adresses privées et les données d’identification avant de partager la sortie.
Séquence diagnostique
| Vérifier | Action | Preuve de progrès |
|---|---|---|
| Besoin de pixels | Mesurez la taille de la cible dans l’image d’inférence. | La résolution minimale utile est connue. |
| Débit | Observez les pics de ralenti et de mouvement. | Le dimensionnement du réseau inclut de véritables rafales. |
| Profil | Comparez les intrants principaux, secondaires et cultivés. | La source adéquate la plus basse est sélectionnée. |
| Utilisation partagée | Compte pour l'enregistrement et les spectateurs humains. | AI ne consomme pas toutes les sessions de caméra ni la bande passante. |
Des preuves à conserver
Conservez un tableau par caméra avec la scène, la taille des pixels cibles, le profil, le débit binaire p95, la qualité d'inférence et la marge de capacité.
Note de délimitation et de sécurité
Les économies de bande passante ne sont pas utiles si elles invalident l'objectif de détection ; vérifier les résultats avant de mettre à l’échelle la conception.
Pour la visualisation à distance, utilisez un VPN géré au lieu d'exposer RTSP ou les ports d'administration de la caméra directement à l'Internet public.
SmartRTSP
SmartRTSP est une visionneuse RTSP et ONVIF axée sur la caméra pour les appareils Apple, Windows et Android. Il convient aux contrôles de visualisation directe, de découverte et multi-caméras ; conservez un NVR ou VMS dédié lorsqu’un enregistrement continu, une exportation de preuves ou des contrôles d’entreprise centralisés sont requis.
Questions fréquemment posées
Un sous-flux est-il toujours suffisant pour AI ?
Non. Cela dépend de la taille de la cible, de la scène et du modèle ; validez-le par rapport à l’événement réel.
Pourquoi mesurer le débit binaire du mouvement ?
Les caméras à débit variable produisent souvent leur bande passante la plus élevée lorsque la scène change.
Un recadrage peut-il réduire la bande passante ?
Une passerelle ou une caméra intelligente peut fournir une région ou un flux dérivé, mais son coût de traitement et sa perte de contexte doivent être testés.
Références principales
- NVIDIA — Présentation de l'architecture DeepStream
- ONVIF — Profil T pour le streaming vidéo avancé
- ONVIF — Profil M pour les métadonnées et les analyses
Guide SmartRTSP associé
Ouvrir le guide associéDimensionnez le trafic d'acquisition et d'inférence de la caméra à partir des pixels dont le modèle a besoin, et non de la spécification maximale de la caméra.