图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

源码资源网

java yolo onnx tensorrt yolov8 图像识别 视频推流 基于springboot的AI算法中台系统
图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

1. 1.基于SpringBoot+Docker+Cuda+Cudnn+Pythorch+Onnx+Tensorrt+Yolov8+ffmpeg+zlmediakit 的AI算法中台系统，本系统主要实现JAVA调用Python脚本的方式，实现在GPU(Nvidia Tesla T4)上进行yolov8的加速推理运算。
   
2. 
   
3. 2.项目可实现人、车、火灾烟雾、河道漂浮物、道路裂痕等视频的实时识别，并将识别结果通过ffmpeg推流到zlmediakit流媒体服务器，使得在web页面上可以同时查看原始视频和实时计算视频。
   
4. 
   
5. 3.项目每隔1分钟将推理结果信息和对应的图片推送到文件服务器minio和消息队列rocketmq,便于开发者获取到推理结果进行业务开发。
   
6. 
   
7. 4.项目同时支持基于ONNX的推理运算和基于Tensorrt的加速推理运算2种方式,只需在调用时传递不同参数即可。
   
8. 
   
9. 5.项目同时支持Linux和Windows环境，代码自动判断运行的环境并执行对应的.bat或.sh脚本文件以启动AI模型推理。
   
10. 
    
11. 6.项目包含前端完整代码和后端完整代码，开箱即用，为JAVA开发者训练、部署、使用AI模型提供了参考。

复制代码

软件架构

1.系统架构 本AI算法中台系统结合了SpringBoot开发Web项目的优势、Python训练调试AI模型的优势、Shell脚本便于调用Linux服务器资源的优势，将不同语言综合一起协调工作，并将项目运行在Docker容器中以便于运维和管理，让JAVA开发者能够方便训练、部署、使用AI模型。

图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

2.技术栈

开发环境：IDEA、JDK1.8、Maven、Gitlab、Pycharm、Anaconda3

软件架构：Nginx + SpringBoot + Vue + Shell + Python

前端框架：Vue + Nodejs

Web框架：SpringBoot

Orm框架：MyBatis3

数据库：Mysql、Redis、MongoDB

消息队列：RocketMq

文件服务: Minio

代码生成: FreeMarker自动生成后端Java代码和前端Vue代码

CPU设备: Intel(R) Xeon(R) Gold 5218 CPU @ 2.30GHz

GPU设备: Nvidia Tesla T4 16G

AI模型：Yolov8n/Yolov8m

训练环境：Pytorch2.3.0 + Onnxruntime-gpu1.16.1 + Ultralytics8.2.48

推理环境: Cuda11.8 + Cudnn8.6.0 + Tensorrt8.5.1.7 + Onnxruntime-gpu1.16.1

推理加速: Tensorrt8.5.1.7

视频操作：Opencv4.7.0

视频推流: FFmpeg4.2.7

流媒体服务：Zlmediakit

部署环境：Docker + Ubuntu20.04

目录说明

data/algorithm_model : 算法模型库，提供了作者训练并部署的5个常用算法模型,包括.pt .onnx .engine 三种格式

data/doc : 算法中台接口文档

data/front_code : 项目前端Vue代码

data/linux : linux下的onnx和tensorrt推理运行代码

data/windows : windows下的onnx和tensorrt推理运行代码

data/sql : 项目数据库

src : 项目后端springboot代码

安装教程

1.安装Zlmediakit流媒体服务器，安装方法如下:

1. (1).拉取docker镜像
   
2. docker pull zlmediakit/zlmediakit:master
   
3. 
   
4. (2).创建目录以存放zlmediakit数据
   
5. mkdir -p /home/docker/zlmediakit && chmod 777 /home/docker/zlmediakit
   
6. 
   
7. (3).运行镜像
   
8.     --1.先运行镜像得到配置文件
   
9.     docker run --name zlmediakit -d zlmediakit/zlmediakit:master
   
10. 
    
11.     --2.复制 zlmediakit 容器文件到指定目录
    
12.     docker cp -a zlmediakit:/opt/media /home/docker/zlmediakit
    
13. 
    
14.     --3.删除 zlmediakit 容器
    
15.     docker rm -f zlmediakit
    
16. 
    
17.     --4.重新按自定义方式运行
    
18.     docker run --name zlmediakit --restart=always --env MODE=standalone -e TZ="Asia/Shanghai" \
    
19.         -v /home/docker/zlmediakit/media/bin:/opt/media/bin \
    
20.         -v /home/docker/zlmediakit/media/conf:/opt/media/conf \
    
21.         -p 11935:1935 -p 11080:80 -p 11554:554 \
    
22.         -p 11000:10000 -p 11000:10000/udp -p 18000:8000/udp \
    
23.         -p 50000-50300:50000-50300/udp \
    
24.         -d zlmediakit/zlmediakit:master

复制代码

2.安装mysql、mongodb、redis、rocketmq、minio

3.导入项目的Mysql数据库 data/sql/algorithm_center.sql

4.安装推理环境并运行后端项目

(1).在Windows下安装推理环境并运行(根据自己计算机的硬件配置情况选择如下3种安装方式中的1种)

1.   **1**.安装推理环境
   
2. 
   
3.     1).计算机没有GPU显卡---使用onnxruntime的cpu版本进行推理
   
4.     --1.电脑主机需要安装如下软件
   
5.         ①.Anaconda3(安装方法百度: Windows安装anaconda3 或参考 https://blog.csdn.net/zwLoneranger/article/details/138743242)
   
6.         ②.opencv4.7.0 (安装方法百度: Windows安装opencv)
   
7.         ③.FFmpeg4.2.7 (安装方法百度: Windows安装FFmpeg)
   
8. 
   
9.     --2.由于推理代码是使用python语言运行,所以需要在Python环境(如Python3.9/Anaconda3/Miniconda)中安装如下依赖库:
   
10.         ①.opencv-python4.9.0.80 (安装方法: pip install opencv-python==4.9.0.80 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
11.         ②.torch2.0.1 + torchvision0.15.2 + torchaudio2.0.2 (安装方法: pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118)
    
12.         ③.yolov8 ultralytics (安装方法: pip install ultralytics==8.2.48 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
13.         ④.Onnxruntime-cpu1.16.1 (运行.onnx模型文件需要该依赖，此处安装cpu版本。安装方法: pip install onnxruntime-cpu==1.16.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
14.    
    
15. 
    
16.     2).计算机有GPU显卡---使用onnxruntime的gpu版本进行推理
    
17.     --1.电脑主机需要安装如下软件
    
18.         ①.Anaconda3(安装方法百度: Windows安装anaconda3 或参考 https://blog.csdn.net/zwLoneranger/article/details/138743242)
    
19.         ②.opencv4.7.0 (安装方法百度: Windows安装opencv)
    
20.         ③.FFmpeg4.2.7 (安装方法百度: Windows安装FFmpeg)
    
21.         ④.Cuda11.8 (安装方法百度: Windows安装Cuda)
    
22.         ⑤.Cudnn8.6.0 (安装方法百度: Windows安装Cudnn)
    
23. 
    
24.     --2.由于推理代码是使用python语言运行,所以需要在Python环境(如Python3.9/Anaconda3/Miniconda)中安装如下依赖库:
    
25.         ①.opencv-python4.9.0.80 (安装方法: pip install opencv-python==4.9.0.80 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
26.         ②.torch2.0.1 + torchvision0.15.2 + torchaudio2.0.2 (安装方法: pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118)
    
27.         ③.yolov8 ultralytics (安装方法: pip install ultralytics==8.2.48 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
28.         ④.Onnxruntime-gpu1.16.1 (运行.onnx模型文件需要该依赖，此处安装gpu版本。安装方法: pip install onnxruntime-gpu==1.16.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
29.    
    
30. 
    
31.     3).计算机有GPU显卡,并且是Nvidia的显卡---使用Nvidia的Tensorrt进行推理加速(速度大于onnx推理,是目前推理速度最快的方式)
    
32.     --1.电脑主机需要安装如下软件
    
33.         ①.Anaconda3(安装方法百度: Windows安装anaconda3 或参考 https://blog.csdn.net/zwLoneranger/article/details/138743242)
    
34.         ②.opencv4.7.0 (安装方法百度: Windows安装opencv)
    
35.         ③.FFmpeg4.2.7 (安装方法百度: Windows安装FFmpeg)
    
36.         ④.Cuda11.8 (安装方法百度: Windows安装Cuda)
    
37.         ⑤.Cudnn8.6.0 (安装方法百度: Windows安装Cudnn)
    
38.         ⑥.Tensorrt8.5.1.7 (运行.engine模型文件需要该依赖。安装方法百度: Windows安装Tensorrt)
    
39. 
    
40.     --2.由于推理代码是使用python语言运行,所以需要在Python环境(如Python3.9/Anaconda3/Miniconda)中安装如下依赖库:
    
41.         ①.opencv-python4.9.0.80 (安装方法: pip install opencv-python==4.9.0.80 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
42.         ②.torch2.0.1 + torchvision0.15.2 + torchaudio2.0.2 (安装方法: pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118)
    
43.         ③.yolov8 ultralytics (安装方法: pip install ultralytics==8.2.48 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
44.         ④.Onnxruntime-gpu1.16.1 (运行.onnx模型文件需要该依赖，此处安装gpu版本。安装方法: pip install onnxruntime-gpu==1.16.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/)
    
45. 
    
46. 
    
47.   **2**.本地IDEA中启动后端项目
    
48. 
    
49.     --1.修改mysql、mongoDB、redis、rocketmq、minio的连接地址
    
50.   
    
51.     --2.运行 AlgorithmCenterApplication.main(String[] args)以启动项目

复制代码

(2).在Linux的Docker容器中安装推理环境并运行

1.   1).在服务器新建3个目录比如 /home/docker/ai/py_java/algcenter  /home/docker/ai/py_java/nvidia  /home/docker/ai/py_java/opencv
   
2. 
   
3. 
   
4.   2).拷贝docker运行的所需文件到服务器
   
5.      --1.将data/algcenter/下的所有内容拷贝到/home/docker/ai/py_java/algcenter/目录，algcenter下的内容为项目jar包(jar需要执行 mvn clean intsall打包放入algcenter)和项目的配置文件
   
6. 
   
7.      --2.下载英伟达(NVIDIA)相关的文件并保存到/home/docker/ai/py_java/nvidia/ 目录
   
8.          ①.下载cuda_11.8,下载命令 wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
   
9. 
   
10.          ②.下载cuDNN8.6.0.163,下载地址 https://developer.nvidia.com/rdp/cudnn-archive#a-collapse897-118
    
11. 
    
12.          ③.下载tensorRT 8.5.1.17,下载地址 https://developer.nvidia.com/tensorrt
    
13. 
    
14.      --3.下载opencv4.7.0并保存到/home/docker/ai/py_java/opencv/目录,下载地址 https://opencv.org/releases/
    
15. 
    
16.      --4.构建docker镜像
    
17.          ①.将data/docker/Dockerfile 拷贝到服务器 /home/docker/ai/py_java/
    
18.          
    
19.          ②.进入到/home/docker/ai/py_java/目录，执行 docker build -t py_java_ai:1.0 . 命令以构建镜像
    
20. 
    
21.          ③.该镜像包含ubuntu20.04、jdk11、python3.8、pip、opencv、cuda11.8、cudnn8.6.0、TensorRT8.5.1.7、onnxruntime-gpu==1.16.1、pytorch2.3.0、ultralytics8.2.48
    
22. 
    
23. 
    
24.    3).镜像构建完成后，执行docker run 命令以便运行algcenter
    
25.       docker run --name=algcenter --restart=always --privileged=true \
    
26.                  --gpus all \
    
27.                  -p 8088:8088 \
    
28.                  -v /home/docker/ai/py_java/algcenter/:/data/app \
    
29.                  -v /home/docker/ai/py_java/algcenter/config:/config \
    
30.                  -v /etc/localtime:/etc/localtime \
    
31.                  -d py_java_ai:1.0 /data/app/run.sh

复制代码

5.运行前端项目

(1).本地VSCODE中运行：

1.   1).安装依赖 npm install
   
2.   
   
3.   2).修改服务器的访问地址
   
4. 
   
5.   3).启动项目 npm run dev
   
6. 
   
7.   4).访问地址 http://ip:8080/login  用户名/密码: admin / 123456

复制代码

(2).服务器Nginx中运行:

1.   1).nginx的安装
   
2. 
   
3.      --1.在服务器新建目录 /home/docker/ai/nginx/
   
4. 
   
5.      --2.将data/nginx/下的所有文件拷贝到服务器 /home/docker/ai/nginx/目录下
   
6.      
   
7.      --3.执行docker run 命令以便运行nginx
   
8.         docker run --name=nginx --restart=always  --privileged=true \
   
9.                 -p 8080:80 -p 1935:1935 \
   
10.                 -v /home/docker/ai/nginx/data:/usr/share/nginx/html/ \
    
11.                 -v /home/docker/ai/nginx/config/nginx.conf:/etc/nginx/nginx.conf \
    
12.                 -v /home/docker/ai/nginx/config/conf.d/default.conf:/etc/nginx/conf.d/default.conf\
    
13.                 -v /home/docker/ai/nginx/logs:/var/log/nginx/ \
    
14.                 -v /home/docker/ai/nginx/ssl:/ssl/ \
    
15.                 -d tiangolo/nginx:latest
    
16. 
    
17.   2).打包项目 npm build
    
18.   
    
19.   3).将打包后新生成的dist文件夹拷贝到Nginx的/home/docker/ai/nginx/data/目录
    
20. 
    
21.   4).访问地址 http://ip:8080/login  用户名/密码: admin / 123456

复制代码

使用说明

1.算法中台的使用

(1).前后端代码运行起来后，打开页面 http://ip:8080/login 用户名/密码: admin / 123456

(2).点击"算法模型"即可上传修改删除训练好的AI模型

(3).点击"计算任务"即可查看需要计算的任务，点击启用即可开始进行AI模型的推理运算

(4).点击"告警中心"即可查看模型的告警记录,比如识别到河道有垃圾漂浮物即产生一条告警信息

(5).点击"推送日志"即可查看本平台向其他平台推送的HTTP告警日志记录

(6).点击"客户管理"即可查看需要给哪些客户平台推送告警信息

(7).打开文件data/doc_sql/算法中台接口文档(v2.0).docx 即可通过接口实现与算法中台的对接

2.模型的训练

以训练YOLOv8目标检测模型为例:

(1).Yolov8 预训练模型下载 （附件中包含）

(2).自己准备数据或在kaggle、 CV Datasets on the web、 阿里天池数据集等深度学习数据集下载网站下载数据

(3).将数据集分为训练集、验证集、测试集，使用Pytorch加载Yolov8预训练模型并训练自己的数据

(4).查看训练结果，主要关注精确度Precision、召回率Recall、P-R曲线、F1 Score、mAP50、mAP50-95等重要参数

(5).根据模型训练结果判断是否需要进行再次的调优训练，例如修改Epoch、调整训练集、测试集的比例等等

(6).训练完成后得到当前最佳的模型best.pt

(7).使用Python脚本调用best.pt运行测试集数据进行模型的验证

3.模型的部署

(1).将训练好的best.pt拷贝到容器内部的 /data/app/yolo/tensorrt_infer/YOLOv8-TensorRT-main目录下

(2).进入到/data/app/yolo/tensorrt_infer/YOLOv8-TensorRT-main目录,通过如下命令将 best.pt 转换为 best.onnx模型格式 python3 export-det.py --weights best.pt --iou-thres 0.65 --conf-thres 0.25 --topk 100 --opset 11 --sim --input-shape 1 3 640 640

(3).接着执行如下命令将best.onnx转为tensorrt的引擎文件格式best.engine，以便实现在nvidia gpu上进行推理加速 /gsis_ai/nvidia/TensorRT-8.5.1.7/bin/trtexec --onnx=best.onnx --saveEngine=best.engine --fp16

(4).在算法中台管理界面点击"算法模型-添加"，填写模型基本信息，视频地址可以是rtsp/rtmp/flv/hls/http/ws等任意格式的视频地址或离线视频文件.mp4，注意模型键(modelKey)为刚才生成的引擎文件的文件名best,脚本键(shellKey)为yolov8

(5).填写好模型信息后，点击文件上传，将转换生成好的best.engine上传到minio中，后期运行该模型时系统会自动下载该模型到对应的工作目录(比如 /data/app/yolo/tensorrt_infer/)

(6).在计算任务中点击 "新增"选择模型，添加对应的视频地址，然后保存

(7).在任务列表点击"启用"即可加载模型并进行推理

(8).启用成功后点击最右边视频图标，即可查看原始视频画面和实时推理画面

效果展示

图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

图像识别 视频推流 基于springboot的AI算法中台系统 视频算法中台系统

游客，本帖隐藏的内容需要积分高于 2 才可浏览，您当前积分为 0

提取码下载：

文件名称:提取码下载.txt 
下载次数:0  文件大小:13 Bytes  售价:800金钱 [记录]
下载权限: 不限 [购买VIP]   [充值]   [在线充值]   【VIP会员5折；永久VIP免费】

安全检测，请放心下载