gx
12708618d4
- docs/integrations/frigate.md — полный production-tested guide: Dockerfile, docker-compose, config.yml, troubleshooting (s6+pid, scale_cuda, hwaccel issues), build steps - docs/integrations/cctv-cpp.md — C++ pattern: IFrameSource interface + CuframesSource skeleton + CMake setup + runtime requirements - examples/frigate-compose/ — reference compose stack (cuframes-pub + Frigate) с config.yml stub, .env.example, README - examples/python-consumer/ — ctypes-based skeleton для AI/ML pipeline'ов (до v0.3 native pybind11 bindings) - docs/integration.md — превратился в index-страницу, ссылается на specific guides Reorganization упрощает onboarding: пользователь выбирает guide по типу integration'а (Frigate/C++/Python/FFmpeg) и сразу видит реальный code. Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
79 lines
2.9 KiB
Markdown
79 lines
2.9 KiB
Markdown
# examples/python-consumer
|
||
|
||
Reference Python consumer для cuframes через `ctypes` wrapper.
|
||
|
||
## Use case
|
||
|
||
AI/ML pipeline (PyTorch / ONNX / TensorRT) которому нужны декодированные кадры
|
||
с камер. Без cuframes — каждый Python скрипт открывает RTSP + decode сам.
|
||
С cuframes — подписывается на готовые NV12 frames от publisher'а.
|
||
|
||
## Запуск
|
||
|
||
```bash
|
||
# Publisher должен быть запущен (см. tools/cuframes-rtsp-source или Docker image)
|
||
cuframes-rtsp-source --rtsp rtsp://admin:pw@cam-ip:554/... --key cam-parking &
|
||
|
||
# Consumer (same host, либо same docker namespace — см. требования ниже)
|
||
python3 cuframes_consumer.py --key cam-parking --max-frames 100
|
||
```
|
||
|
||
Ожидаемый output:
|
||
```
|
||
[consumer] connected to 'cam-parking'
|
||
[consumer] first frame: 640x480 NV12, pitch_y=640, pitch_uv=640, cuda_ptr=0x...
|
||
[consumer] received=25 seq=42 pts_ms=...
|
||
...
|
||
=== RESULT ===
|
||
received: 100 / 100
|
||
elapsed: 3.96s
|
||
avg_fps: 25.03
|
||
```
|
||
|
||
## Что этот пример НЕ делает
|
||
|
||
- **НЕ копирует** GPU NV12 frame на host — `cuda_ptr` это raw CUDA device pointer.
|
||
Для реальной работы нужно:
|
||
- `pycuda` / `cupy` / `cuda-python` библиотека для CUDA memcpy
|
||
- либо передать `cuda_ptr` напрямую в GPU-aware ML framework (PyTorch's
|
||
`torch.cuda.IntTensor.from_dlpack` etc.)
|
||
|
||
- **НЕ конвертирует** NV12 → RGB. Используй `cv2.cvtColor(nv12, cv2.COLOR_YUV2RGB_NV12)`
|
||
на host или GPU-side conversion.
|
||
|
||
- **НЕ обрабатывает** inference — это skeleton, в твоём pipeline replace
|
||
comment-block `### ВАШ ML PIPELINE ЗДЕСЬ ###` с актуальным кодом.
|
||
|
||
## Требования
|
||
|
||
| | Значение |
|
||
|---|---|
|
||
| Python | 3.8+ |
|
||
| `libcuframes.so.0` | в `LD_LIBRARY_PATH` (либо `/usr/local/lib`) |
|
||
| Publisher running | да, с matching `--key` |
|
||
| Same IPC namespace | да (host либо `ipc:container:<publisher>` в docker) |
|
||
| Same PID namespace | да (host либо `pid:container:<publisher>` в docker) |
|
||
| NVIDIA GPU + driver | для access `cuda_ptr` (read-only frame от publisher'а) |
|
||
|
||
## Docker-style
|
||
|
||
```yaml
|
||
# В compose рядом с publisher service
|
||
ai-pipeline:
|
||
image: your-ai-image:cuda
|
||
runtime: nvidia
|
||
ipc: "container:cuframes-pub-parking"
|
||
pid: "container:cuframes-pub-parking"
|
||
volumes:
|
||
- cuframes_sock:/run/cuframes:ro
|
||
environment:
|
||
LD_LIBRARY_PATH: /usr/local/lib
|
||
command: python3 /app/cuframes_consumer.py --key cam-parking --max-frames 1000000
|
||
```
|
||
|
||
## v0.3 → first-class pybind11 bindings
|
||
|
||
Текущий ctypes pattern будет заменён на native pybind11 bindings в v0.3 cuframes
|
||
([ROADMAP.md](../../ROADMAP.md)). Тогда API будет более pythonic + zero-copy через
|
||
`__cuda_array_interface__` / `dlpack`.
|