Ο συλλογισμός VLM στο Edge.Vaidio και NVIDIA.

Γιατί ο οπτικός συλλογισμός αποκτά σημασία στο Edge

Η ανάλυση βίντεο με τεχνητή νοημοσύνη εντοπίζει πλέον ανθρώπους, οχήματα, καπνό, φωτιά, προστατευτικά ρούχα ή άλλα ορατά χαρακτηριστικά σε ζωντανές ροές βίντεο. Αυτή η γρήγορη ανίχνευση είναι επαρκής για πολλές εφαρμογές. Η απαίτηση αυξάνεται όταν ένα σύστημα δεν πρέπει μόνο να διαπιστώσει ότι κάτι είναι ορατό, αλλά και πώς πρέπει να ταξινομηθεί η κατάσταση.

Ο καπνός μπορεί να υποδηλώνει φωτιά, αλλά μπορεί επίσης να προκληθεί από ατμό, σκόνη ή μια κανονική διαδικασία παραγωγής. Ένα άτομο με ένα αντικείμενο μπορεί να φέρει ένα εργαλείο, ένα πακέτο ή ένα αντικείμενο που σχετίζεται με την ασφάλεια. Σε τέτοιες περιπτώσεις, ένας δεύτερος έλεγχος με βάση τα συμφραζόμενα μπορεί να βοηθήσει πριν μεταδοθεί ένας συναγερμός σε ένα κέντρο ελέγχου ή σε μια επιχειρησιακή διαδικασία.

Προηγουμένως, αυτός ο τύπος συλλογισμού όρασης-γλώσσας-μοντέλου απαιτούσε συχνά υποδομή σε επίπεδο διακομιστή ή σύνδεση cloud. Ωστόσο, σε απομακρυσμένες βιομηχανικές εγκαταστάσεις, σε κινητά συστήματα ή σε ρομπότ, δεν υπάρχει πάντα αρκετός χώρος, ενέργεια, ψύξη και σταθερή συνδεσιμότητα. Εδώ ακριβώς αποκτά σημασία η Edge ροή εργασίας που περιγράφει το Vaidio.

Πρώτα ανίχνευση, μετά στοχευμένη ταξινόμηση

Η αρχιτεκτονική λειτουργεί σε δύο στάδια. Στο πρώτο βήμα, το Vaidio παρακολουθεί τη ροή βίντεο χρησιμοποιώντας εξειδικευμένα μοντέλα Computer Vision. Αυτά τα μοντέλα είναι βελτιστοποιημένα για συνεχή ανίχνευση, αναζήτηση προκαθορισμένων αντικειμένων, καταστάσεων ή συμβάντων.

Το δεύτερο στάδιο ενεργοποιείται μόνο όταν υπάρχει σχετική ανίχνευση. Αντί να επεξεργάζεται κάθε εικόνα από κάθε κάμερα μέσω ενός μεγάλου Vision Language Model, το Vaidio μεταβιβάζει μόνο τη σχετική εικόνα ή ένα επιλεγμένο απόσπασμα στο NVIDIA Cosmos 3 Edge. Το VLM αξιολογεί το πλαίσιο και υποστηρίζει την απόφαση για απόρριψη, επιβεβαίωση ή κλιμάκωση του εντοπισμένου συμβάντος.

Αυτή η επιλεκτική προσέγγιση είναι καθοριστική για τη λειτουργία στο Edge: το συνεχές προφιλτράρισμα παραμένει αποδοτικό ως προς τους πόρους, ενώ το υπολογιστικά εντατικότερο reasoning χρησιμοποιείται μόνο όταν το πρόσθετο πλαίσιο προσφέρει πραγματική αξία.

Οι ρόλοι των Vaidio, Cosmos, Metropolis και Jetson Thor

Τα επιμέρους στοιχεία εκτελούν διαφορετικές εργασίες εντός της ροής εργασίας:

• Vaidio AI Vision Platform: παρακολουθεί τις ροές κάμερας, εντοπίζει διαμορφωμένα συμβάντα και ελέγχει την επακόλουθη επαλήθευση.
• NVIDIA Cosmos 3 Edge: συμπληρώνει την ανίχνευση με οπτική κατανόηση πλαισίου και reasoning.
• NVIDIA Metropolis: παρέχει βιβλιοθήκες και δομικά στοιχεία για επιταχυνόμενους φόρτους εργασίας AI βίντεο και όρασης.
• NVIDIA Jetson Thor: αποτελεί τη συμπαγή Edge υπολογιστική πλατφόρμα για ανίχνευση, reasoning και τοπική υποστήριξη αποφάσεων.

Ο συνδυασμός δεν αντικαθιστά τους τεχνικά καθορισμένους κανόνες συναγερμού. Προσθέτει ένα επιπλέον επίπεδο αξιολόγησης. Ποια συμβάντα ελέγχονται, ποια απόκριση θεωρείται σχετική και ποια διαδικασία ενεργοποιείται στη συνέχεια πρέπει να καθοριστούν και να επικυρωθούν για τη συγκεκριμένη εφαρμογή.

Ερμηνεύστε σωστά τις πρώτες μετρήσεις του Vaidio

Το Vaidio δημοσιεύει τις πρώτες, ακόμη μη βελτιστοποιημένες μετρήσεις από την περιγραφόμενη ροή εργασίας. Για πλήρεις εικόνες 1920×1080 pixel, παρατηρήθηκαν περίπου 790 έως 890 χιλιοστά του δευτερολέπτου ανά εικόνα, σύμφωνα με τον κατασκευαστή. Ένα τμήμα με 640 × 480 pixel χρειάστηκε περίπου 140 χιλιοστά του δευτερολέπτου. στα 336 × 336 pixels οι τιμές ήταν περίπου μεταξύ 110 και 150 χιλιοστών του δευτερολέπτου.

Στην αξιολογούμενη ρύθμιση, φάνηκε επίσης δυνατή η επεξεργασία περισσότερων από δέκα καμερών με μία εικόνα ανά δευτερόλεπτο. Αυτοί οι αριθμοί δεν αποτελούν γενική υπόσχεση απόδοσης. Προέρχονται από πρώιμες δοκιμές και εξαρτώνται, μεταξύ άλλων, από το μοντέλο, την προτροπή, το μέγεθος εικόνας, την πολυπλοκότητα της σκηνής, την παραλληλοποίηση και τη διαμόρφωση του συστήματος.

Σημαντικό: Αυτές οι πληροφορίες περιγράφουν αποκλειστικά την πρόσθετη επαλήθευση VLM στο συγκεκριμένο σύστημα Jetson Thor που αξιολογήθηκε. Δεν είναι περιορισμός της πλατφόρμας Vaidio. Το Vaidio μπορεί να λειτουργεί κατανεμημένα και, σύμφωνα με τον κατασκευαστή, να κλιμακώνεται από μία κάμερα έως Enterprise περιβάλλοντα με δεκάδες χιλιάδες κάμερες.

Ωστόσο, οι μετρούμενες τιμές δείχνουν γιατί η ανίχνευση στο πρώτο στάδιο είναι χρήσιμη: όσο μικρότερα και πιο στοχευμένα είναι τα οπτικά αποσπάσματα, τόσο λιγότερο υλικό πρέπει να επεξεργαστεί το VLM. Αυτό μπορεί να μειώσει τον χρόνο απόκρισης και να αξιοποιήσει αποδοτικότερα τη διαθέσιμη Edge υπολογιστική ισχύ.

Ποιες εφαρμογές μπορούν να ωφεληθούν

Η προσέγγιση είναι ιδιαίτερα κατάλληλη για εφαρμογές που βασίζονται σε συμβάντα όπου το πρόσθετο πλαίσιο βελτιώνει την ποιότητα των ειδοποιήσεων:

• Ανίχνευση καπνού και πυρκαγιάς: Διαχωρίστε τα ορατά σημάδια ατμού, σκόνης ή τακτικών διεργασιών.
• Περίμετρος και πρόσβαση: αξιολογήστε περαιτέρω μια καταχώρηση ζώνης που ανιχνεύτηκε με βάση την ορατή κατάσταση.
• Υγεία και ασφάλεια στην εργασία: Αξιολογήστε τα συμφραζόμενα που λείπουν ΜΑΠ ή μια δυνητικά επικίνδυνη κατάσταση.
• Μεταφορές και επιμελητεία: Ταξινόμηση ασυνήθιστων στάσεων, αποκλεισμένων περιοχών ή εμφανών θέσεων αντικειμένων.
• Κινητή επιθεώρηση και ρομποτική: Αξιολογήστε τις οπτικές ενδείξεις τοπικά χωρίς να στέλνετε κάθε απόφαση σε ένα κέντρο δεδομένων.

Το μεγαλύτερο όφελος δεν προκύπτει μόνο από ένα VLM, αλλά από τον συνδυασμό εικόνων κάμερας, γρήγορου προφιλτραρίσματος, στοχευμένου ελέγχου πλαισίου και μιας σαφώς καθορισμένης διαδικασίας συνέχειας.

Τι πρέπει να ελεγχθεί σε ένα πραγματικό Edge έργο

Η παραγωγική υλοποίηση απαιτεί περισσότερα από την επιλογή ενός μοντέλου και Edge hardware. Πριν από την εφαρμογή, η προοπτική της κάμερας, η ποιότητα της εικόνας, η συχνότητα συμβάντων, ο επιθυμητός χρόνος απόκρισης και η διαθέσιμη υπολογιστική ισχύς θα πρέπει να ληφθούν υπόψη μαζί.

Εξίσου σημαντικές είναι η προστασία δεδομένων, οι ρόλοι, η καταγραφή, η συμπεριφορά εκτός σύνδεσης και το ερώτημα ποια απόφαση μπορεί να αυτοματοποιηθεί. Για εφαρμογές κρίσιμες για την ασφάλεια, το σύστημα δεν πρέπει να δοκιμάζεται μόνο υπό ιδανικές συνθήκες. Αντιπαραδείγματα, καιρός, φωτισμός, απόκρυψη και πραγματικές λειτουργικές διαδικασίες ανήκουν στην επικύρωση.

Οι πρώτες μετρήσεις Vaidio πρέπει επίσης να μεταφραστούν σε συγκεκριμένη βάση για το έργο. Ένα σύστημα με λίγα σπάνια συμβάντα έχει διαφορετικές απαιτήσεις από μια τοποθεσία όπου πολλές κάμερες ενεργοποιούν ελέγχους VLM ταυτόχρονα.

Ταξινόμηση από Synaedge

Για το Synaedge, η προσέγγιση είναι ιδιαίτερα ενδιαφέρουσα επειδή συνδυάζει δύο προηγουμένως συχνά ξεχωριστούς κόσμους: συνεχή, εξειδικευμένη ανάλυση βίντεο και πιο ευέλικτη οπτική συλλογιστική. Η ανίχνευση αντικειμένων παραμένει το γρήγορο λειτουργικό φίλτρο. Το VLM χρησιμοποιείται ως ελεγχόμενη δεύτερη περίπτωση, όχι ως μόνιμη αντικατάσταση για όλα τα μοντέλα ανάλυσης.

Αυτός είναι ένας εύλογος τρόπος να μεταφερθούν περισσότερες αποφάσεις βάσει οπτικού πλαισίου πιο κοντά στην κάμερα και την τοποθεσία. Το εάν το NVIDIA Jetson Thor και το Cosmos 3 Edge είναι κατάλληλα για ένα συγκεκριμένο περιβάλλον πρέπει να ελέγχεται με βάση πραγματικές σκηνές, προφίλ φόρτωσης και ενσωματώσεις. Η Synaedge σχεδιάζει την αρχιτεκτονική καμερών, υπολογιστικής ισχύος, δικτύου και διαδικασιών ως ένα ενιαίο σύστημα.

Συντακτική ταξινόμηση: Synaedge AG · Από: 30 Αυγούστου 2026. Οι τιμές απόδοσης είναι οι πρώτες παρατηρήσεις του κατασκευαστή και εξαρτώνται από το υλικό, την έκδοση λογισμικού, τη διαμόρφωση και το λειτουργικό περιβάλλον.