PyVideoProc：基于CUDA加速的多路视频流处理SDK

1. 项目概述

PyVideoProc 是一个基于 CUDA 加速优化的高性能 Python SDK，专为多路视频流分析场景设计。它通过多进程架构绕过 Python 的 GIL 限制，显著提升了视频处理的并发性能。这个项目特别适合需要同时处理多路视频流并进行实时 AI 推理的中小型项目快速部署。

在实际应用中，我发现 PyVideoProc 最大的优势在于它能够最大限度地减少 Host-Device 之间的数据传输，降低 GPU 显存冗余拷贝，从而显著提升推理速度。与传统的视频处理框架相比，PyVideoProc 的设计理念是"尽可能在 GPU 上完成所有计算"，这在实际业务场景中能够有效降低 CPU 的计算负担。

2. 环境准备与安装

2.1 系统环境检查

在开始使用 PyVideoProc 之前，必须确保你的服务器环境满足以下三个关键条件：

1. Docker 版本：必须大于 24.0。可以通过以下命令检查：

   bash复制docker --version
   

2. NVIDIA 驱动版本：建议大于 590。检查命令：

   bash复制nvidia-smi
   

3. NVIDIA Container Toolkit：版本需大于 1.13.0。验证命令：

   bash复制nvidia-ctk --version
   

提示：在实际部署中，我发现即使驱动版本略低于590也能运行，但为了获得最佳性能和稳定性，强烈建议使用推荐版本或更高版本。

2.2 容器化部署

PyVideoProc 强烈建议使用 Docker 容器运行，这能避免繁琐的环境配置问题。以下是具体步骤：

1. 克隆项目并构建镜像：

   bash复制git clone https://github.com/lmk123568/PyVideoProc.git
   cd PyVideoProc/docker
   docker build -t pyvideoproc:cuda12.8 .
   

2. 运行容器：

   bash复制docker run -it \
     --gpus all \
     -e NVIDIA_DRIVER_CAPABILITIES=all \
     -v {your_path}/PyVideoProc:/workspace \
     pyvideoproc:cuda12.8 \
     bash
   

注意：如果你坚持要在本地安装环境，可以参考项目中的 Dockerfile 作为安装指南，但这通常比直接使用容器更耗时且容易出错。

3. 核心功能实现

3.1 模型转换与优化

PyVideoProc 支持将 Ultralytics 训练的 YOLO 模型转换为 TensorRT 格式以获得最佳推理性能：

bash复制python scripts/pt2trt.py --w ./yolo26n.pt --fp16

这个转换过程会自动与官方 Ultralytics 结果进行推理对齐验证。在实际使用中，我发现以下几点特别值得注意：

• 默认推理尺寸设置为 (576,1024)，这个比例(16:9)可以跳过 letterbox 操作，显著降低计算开销
• 如果