活动介绍

AWSKinesisVideoStreams:全面解析与实践应用

立即解锁
发布时间: 2025-08-30 01:42:08 阅读量: 11 订阅数: 12 AIGC
### AWS Kinesis Video Streams:全面解析与实践应用 #### 1. 片段规则与处理流程 片段(Fragments)有严格的规则: - 时间码跨度小于10秒。 - 数据量不超过50 MB。 - 每个轨道至少包含一帧。 - 轨道数量不超过3个。 当片段到达时,Kinesis会执行以下步骤: 1. 为每个片段自动分配一个升序的唯一编号。 2. 将片段与媒体元数据和Kinesis元数据副本合并,元数据包括片段编号、服务器端时间戳和生产者端时间戳。 3. 对数据块进行索引,可通过片段编号、生产者时间戳和服务器时间戳对流进行查询。 ```mermaid graph LR A[片段到达] --> B[分配唯一编号] B --> C[合并元数据] C --> D[索引数据块] ``` #### 2. 流(Stream)的特性 流是AWS的基础资源,用于摄取、存储和提供时间编码数据。每个流可支持多个消费者,但通常每个流只有一个生产者,数据最长可保留10年。 #### 3. Kinesis生产者 PutMedia API接受MKV容器格式的数据,可实时或批量发送。由于KVS不进行转码,输入什么就输出什么。为利用支持播放的高级API,视频需编码为H.264,该API读取媒体数据的速率为12.5 MB/秒或100 Mbps。 #### 4. 生产者SDK - **低级SDK**:用C语言以平台无关的方式编写,专注于状态管理、缓冲区管理、网络管理和视频分块,为硬件制造商开发定制固件设计,通过面向对象包装器提供C++和Java访问。 - **平台SDK**:将低级功能打包到GStreamer插件中,使用GStreamer的托管媒体管道,方便从网络摄像头或物联网摄像头捕获视频并发送到KVS。KVS Producer SDK使用GStreamer sink元素`kvssink`发送数据。Android生产者库提供Java接口连接相机并发送数据。 - **Docker镜像**:AWS提供预配置的Docker镜像,已配置GStreamer管道,可快速启动。镜像位于私有ECR注册表,访问和执行说明见[此处](https://docs.aws.amazon.com/kinesisvideostreams/latest/dg/examples-gstreamer-plugin.html)。 #### 5. 消费视频的方式 KVS中有四种主要查看视频的方式: | 方式 | 说明 | | ---- | ---- | | GetMedia | - | | MPEG - DASH Streaming URL | 生成可在浏览器或媒体播放器中查看视频的URL | | HLS Streaming URL | 生成可在浏览器或媒体播放器中查看视频的URL | | GetClip | 方便用户导出视频片段用于机器学习或支持业务流程 | KVS Parser Library为GetMedia API提供Java包装器,这里重点介绍`kinesis - video - archived - media CLI`。 #### 6. GetClip操作步骤 1. 调用`GetDataEndpoint`并指定流名称和端点类型,`api - name`参数值为`"GET_CLIP"`。 2. 使用`jq`工具从`get - data - endpoint`命令返回的JSON中提取端点URL。 3. 指定`FragmentSelectorType`的起始和结束时间戳。 4. 执行`get - clip`命令下载MP4文件。 ```bash STREAM_NAME="<STREAM NAME>" API_NAME="GET_CLIP" ENDPOINT_JSON=$(aws kinesisvideo get-data-endpoint --stream-name $STREAM_NAME --api-name $API_NAME) ENDPOINT=$(jq -r '.DataEndpoint' <<< $ENDPOINT_JSON) FRAGMENT="FragmentSelectorType=SERVER_TIMESTAMP,TimestampRange={StartTimestamp=2021-01-01T05:58:00,EndTimestamp=2021-01-01T05:59:00}" aws kinesis-video-archived-media get-clip --stream-name $STREAM_NAME --clip-fragment-selector $FRAGMENT --endpoint-url $ENDPOINT myvideo.mp4 ``` #### 7. GetDASHStreamingSessionURL操作步骤 1. 调用`GetDataEndpoint`,`api - name`参数值为`GET_DASH_STREAMING_SESSION_URL`。 2. 选择播放模式(LIVE、LIVE_REPLAY、ON_DEMAND),这里选择`ON_DEMAND`并指定1分钟间隔。 3. 执行`get - dash - streaming - session - url`命令获取认证URL。 ```bash STREAM_NAME="<STREAM NAME>" API_NAME="GET_DASH_STREAMING_SESSION_URL" ENDPOINT_JSON=$(aws kinesisvideo get-data-endpoint --stream-name $STREAM_NAME --api-name $API_NAME) ENDPOINT=$(jq -r '.DataEndpoint' <<< $ENDPOINT_JSON) EXPIRES=4000 PLAYBACK_MODE="ON_DEMAND" FRAGMENT="FragmentSelectorType=SERVER_TIMESTAMP,TimestampRange={StartTimestamp=2021-01-01T05:58:00,EndTimestamp=2021-01-01T05:59:00}" aws kinesis-video-archived-media get-dash-streaming-session-url --stream-name $STREAM_NAME --playback-mode $PLAYBACK_MODE --expires $EXPIRES --endpoint-url $ENDPOINT --dash-fragment-selector $FRAGMENT ``` #### 8. 创建流 创建流时,只需为账户和区域提供唯一名称,还可将数据保留配置从默认的1天改为最长10年。也可使用AWS CLI创建,示例如下: ```bash aws kinesisvideo create-stream --stream-name "myStream" --data-retention-in-hours "24" ``` #### 9. 数据生产 - **使用Docker生产** 1. 认证Docker客户端: ```bash Aws ecr get-login-password –region us-west-2 | docker login –username AWS –password-stdin 546150905175.dkr.ecr.us-west-2.amazonaws.com ``` 2. 下载Docker镜像: ```bash sudo docker pull 54615090 ```
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

勃斯李

大数据技术专家
超过10年工作经验的资深技术专家,曾在一家知名企业担任大数据解决方案高级工程师,负责大数据平台的架构设计和开发工作。后又转战入互联网公司,担任大数据团队的技术负责人,负责整个大数据平台的架构设计、技术选型和团队管理工作。拥有丰富的大数据技术实战经验,在Hadoop、Spark、Flink等大数据技术框架颇有造诣。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看

最新推荐

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

PyTorch神经网络构建与训练全解析

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下,对特征进行标准化是一个很好的做法,即使并非总是必要(例如当所有特征都是二元特征时)。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而,如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作,就需要在 PyTorch 中直接实现,以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码: ```python import torch # Creat