VMSS 2.0을 통한 비디오 AI 성능 극대화

VMSS 2.0은 AMD 하드웨어를 지원하므로 복잡한 컴퓨터 비전 애플리케이션을 쉽게 사용할 수 있습니다.

### 비디오 AI 성능 극대화 웨비나
이 웨비나에서는 AMD 하드웨어에서 라이브 비디오 분석을 위한 강력한 프레임워크인 VMSS로 비디오 AI 성능을 극대화하는 방법에 대해 설명합니다. VMSS는 사용이 간편하고 고도로 커스터마이징이 가능하여 코드 없이도 첫 번째 예제를 빠르게 설치 및 실행할 수 있습니다. 이 프레임워크는 또한 혁신적인 프로젝트를 위한 개발자 교육 및 정보 제공을 목적으로 하는 AMD 퍼베이시브 AI 개발자 콘테스트의 참가자들에게 무료로 제공되고 있습니다.

### VMSS 2.0의 간소화된 설치 프로세스
VMSS 2.0 설치는 AMD 웹사이트에서 우분투를 다운로드한 후 명령 한 번으로 쉽게 할 수 있습니다. 설치 과정에는 도커 이미지 가져오기 및 도커 컨테이너 생성이 포함되며, 완료하는 데 몇 분 밖에 걸리지 않습니다. 웹 애플리케이션을 사용하면 장치 및 RTSP 스트림을 빠르게 추가할 수 있을 뿐만 아니라 원활한 사용자 경험을 위한 맞춤형 AI 작업을 생성할 수 있습니다. 이를 통해 VMSS 2.0을 사용하여 AI 애플리케이션을 효율적으로 설정하고 커스터마이징할 수 있습니다.

### VMSS와 함께 비전 애플리케이션을 위한 AMD 하드웨어 사용
VMSS는 AMD 하드웨어를 사용해 비전 AI 파이프라인을 쉽게 실행하고 수정할 수 있는 강력한 웹 애플리케이션을 제공합니다. 비디오 파이프라인은 입력 및 출력 미디어 선택, AI 알고리즘 추가 및 후처리로 구성되며, 각 단계별로 다양한 옵션이 제공됩니다. 파이프라인에는 검출기, 분류기, 세그멘터, 랜드마크 예측기, 트래커 등 다양한 노드가 포함될 수 있으며, 개별적으로 또는 캐스케이드 방식으로 실행할 수 있습니다. 출력 단계에서는 인코딩된 동영상, 실시간 스트림, 저장된 이미지 또는 알림 또는 데이터베이스 저장을 위한 메타데이터를 제공할 수 있습니다.

### 튜토리얼: 비디오 스트림 처리 실행 및 수정
이 튜토리얼에서는 RTSP 비디오 스트림을 입력으로 사용해 사람 감지에서 얼굴 감지로 변경하는 등 비디오 스트림을 처리하는 애플리케이션을 시작하는 방법을 다룹니다. 이 과정에는 모델과 매개변수를 수정하여 감지된 얼굴 주위에 바운딩 박스가 있는 새 출력 스트림을 생성하는 것이 포함됩니다. 또한 감지 간격을 세 번째 프레임마다 실행하도록 변경하여 감지 결과의 정확도에 미치는 영향을 살펴봅니다.

### 비디오 파이프라인에 트래커 및 SMS 알림 추가하기
디텍터와 비주얼라이저 사이에 트래커를 추가하면 더 원활하고 비용 효율적인 감지 결과를 얻을 수 있습니다. RTSP 비디오 스트림에서 USB 카메라로 입력을 변경하면 동일한 네트워크 결과를 얻을 수 있습니다. SMS 알림을 파이프라인에 통합하려면 JSON에 두 개의 노드를 추가하고 Twilio를 기반으로 발신자 및 수신자 정보를 구성해야 합니다.

### 컴퓨터 비전 애플리케이션에 VMSS 사용
VMSS는 이미지 영역 및 추적 기간에 대한 필터를 사용하여 수동 추적 옵션을 제공합니다. 이 도구를 사용하면 파이프라인을 실행하고 라이브 비디오를 포함한 결과를 보고 SMS를 통해 알림을 받을 수 있습니다. 이 데모는 단일 예제에서 시작하여 입력 및 출력을 수정하고 모델을 변경하고 시각화 또는 문자 메시지를 통해 결과를 소비하는 방법을 보여줍니다. VMSS 2.0 GitHub에서는 AMD 또는 VMSS를 컴퓨터 비전 애플리케이션에 통합하기 위한 광범위한 문서와 지원을 제공합니다.

### 오픈 소스 및 사용자 지정 모델에 Vitis AI 사용
Vitis AI는 오픈 소스 또는 커스텀 모델을 위한 솔루션을 제공하는 AMD DPU를 사용하여 커스텀 모델을 추론하기 위한 예제 코드를 제공합니다. 이 소프트웨어는 기본 지원의 차이 없이 BMSS 2.0의 KV260뿐만 아니라 ONNX 모델의 변환 및 실행을 지원합니다. 툴체인을 통해 Crea System on Module에서 모델을 변환하고 실행할 수 있어 다양한 모델 유형과 버전에 유연성을 제공합니다.

### AI 모델 학습 및 비디오 처리에 관한 FAQ
전이 학습은 주로 얼굴 인식 추론이 아닌 모델 훈련 중에 사용됩니다. 지원되는 최대 프레임 속도와 스트림 수는 입력 크기, 파이프라인 구성, 사용 중인 모델에 따라 달라집니다. 이 장치는 8개의 인코딩 및 디코딩 스트림을 처리할 수 있는 VCU를 통해 많은 스트림을 지원할 수 있습니다. 사용되는 카메라 유형에 따라 카메라 3개에 대한 지원이 결정되며, 트랜스코딩 기능에 따라 스트림 수가 제한됩니다. 사용자는 결과 감지를 위한 사용자 지정 포스트 프로세싱 노드를 만들 수 있으며, 인코딩된 비디오 스트림의 품질은 특정 프레임 수 이후부터 향상됩니다. 퍼베이시브 AI 개발자 콘테스트에 대한 연락처 정보는 웨비나에 포함되어 있으며, 디바이스의 리드 타임에 대한 문의는 공급업체에 연락하여 해결할 수 있습니다.

### AMD 하드웨어에서 Opera의 VMSS 2.0과 함께 비디오 AI 성능 극대화
* 🧰 본 웨비나는 강력한 동영상 분석 프레임워크인 **VMSS 2.0**을 활용하여 라이브 동영상 분석을 위해 **AMD 하드웨어에서 동영상 AI 워크로드**를 구축 및 실행하는 데 중점을 두고 있습니다.
* 📦 VMSS는 비디오 파이프라인을 구성하기 위한 **디텍터, 분류기, 세그먼트, 랜드마크 예측기, 트래커** 등 다양한 노드와 함께 이미지, RTSP 라이브 비디오 스트림, 녹화된 비디오 파일, USB 카메라 등 광범위한 입력 옵션을 제공합니다.
* 🎛 사용자는 노드에서 몇 가지 파라미터를 구성하여 AMD 모델 동물원에서 AMD 모델을 쉽게 사용할 수 있으며, **프레임워크는 새 노드를 생성하거나 기존 노드를 수정하여 커스텀 로직을 추가할 수 있는 유연성**을 제공합니다.
* 💻 AMD의 Crea K260 시스템 온 모듈(SoM)은 **AI 추론 가속화를 위해 FPGA에 딥 러닝 처리 장치(DPU)**를 탑재하고 있습니다.
* 🚀 Opera successfully utilized VMSS 2.0 to develop real applications such as facial recognition for smart city projects, headcount for large exhibitions, and license plate recognition for parking management in Singapore.
* 📈 프레임워크는 실시간 얼굴 감지 및 인식을 지원하며 **프레임 속도 측면의 성능**은 **모델 크기, 입력 해상도, 동영상 트랜스코딩 요구 사항** 등의 요인에 따라 달라집니다.
* 📱 사용자는 SMS 알림을 파이프라인에 통합하여 탐지 결과를 기반으로 실시간 알림을 받을 수 있으며, **Vitis AI를 사용하여 사용자 지정 모델을 추론하는 방법**을 보여주는 예제 코드가 GitHub에 있습니다.
* 📊 이 웨비나에서는 사용자가 입력 및 출력 미디어를 선택하고, 로직과 AI 알고리즘을 적용하고, 후처리를 수행하고, **출력 작업을 정의할 수 있는 VMSS 데이터 흐름 구조**에 대한 개요도 제공합니다.

Maximizing Video AI Performance: Running Video Analytics on AMD Devices with VMSS2.0

Get the competitive edge for AI, data center, business computing solutions & gaming with AMD processors, graphics, FPGAs, Adaptive SOCs, & software.

The world’s most advanced processors
For the world’s most ambitious ideas

AMD processors power people to lead their fields at the cutting edge. From healthcare and entertainment to science and autonomous driving—when AMD performance meets the potential of our partners, we can solve the world’s most important challenges.

together we advance_

