ffmpeg与opencv实现rtmp推流(基于ZLMediaKit实现)

ZLMediaKit接收ffmpeg rtmp推流 采用的封装格式是FLV。所以在指定输出流媒体的时候须要指定其封装格式为“flv”。同理,其余流媒体协议也须要指定其封装格式。例如采用UDP推送流媒体的时候,能够指定其封装格式为“mpegts”。 阅读详情

文章目录


前言

之前记录过,GStreamer与opencv实现rtsp推流实现,这次通过ffmpeg与opencv并且搭配ZLMediaKit实现rtmp推流。


代码

import cv2
import time
import subprocess as sp
import multiprocessing


class stream_pusher(object):
    def __init__(self, rtmp_url=None, raw_frame_q=None):  # 类实例化的时候传入rtmp地址和帧传入队列
        self.rtmp_url = rtmp_url
        self.raw_frame_q = raw_frame_q

        fps = 20  # 设置帧速率
        # 设置分辨率
        width = 1920  # 宽
        height = 1080  # 高

        # 设置FFmpeg命令文本
        self.command = ['ffmpeg',
                        '-y',
                        '-f', 'rawvideo',
                        '-vcodec', 'rawvideo',
                        '-pix_fmt', 'bgr24',
                        '-s', "{}x{}".format(width, height),
                        '-r', str(fps),
                        '-i', '-',
                        '-c:v', 'libx264',
                        '-pix_fmt', 'yuv420p',
                        '-preset', 'ultrafast',
                        '-f', 'flv',
                        self.rtmp_url]

    # 向服务器推送
    def push_frame(self):

        # 配置向os传递命令的管道
        p = sp.Popen(self.command, stdin=sp.PIPE)

        while True:
            if not self.raw_frame_q.empty():  # 如果输入管道不为空
                # 把帧和相关信息从输入队列中取出
                frame = self.raw_frame_q.get()

                # 把内容放入管道,放入后有os自己去执行
                p.stdin.write(frame.tostring())
            else:
                time.sleep(0.01)

    # 启动运行
    def run(self):
        # 定义一个子进程
        push_frame_p = multiprocessing.Process(target=self.push_frame, args=())
        push_frame_p.daemon = True  # 把子进程设置为daemon方式
        push_frame_p.start()  # 运行子进程


if __name__ == '__main__':

    cap = cv2.VideoCapture("rtsp://admin:admin110@192.168.2.64:554/main")

    rtmpUrl = "rtmp://192.168.2.8/live/test666"  # 用vcl等直播软件播放时,也用这个地址
    raw_q = multiprocessing.Queue()  # 定义一个向推流对象传入帧及其他信息的队列

    my_pusher = stream_pusher(rtmp_url=rtmpUrl, raw_frame_q=raw_q)  # 实例化一个对象
    my_pusher.run()  # 让这个对象在后台推送视频流
    while True:
        _, raw_frame = cap.read()

        if not raw_q.full():  # 如果队列没满
            raw_q.put(raw_frame)  # 送入队列
        cv2.waitKey(1)
    cap.release()
    print('finish')

效果如下:
在这里插入图片描述


总结

工作中总会遇到各种问题,解决一个记录一个,向着更优秀的程序员迈进!!!继续加油喽!!!
如果阅读本文对你有用,欢迎一键三连呀!!!
2021年8月31日20:38:34
在这里插入图片描述

BXC_VideoAnalyzer:从零构建工业级视频行为分析系统的架构与实战 视频行为分析系统是计算机视觉与流媒体技术结合的典型应用,其核心原理在于对视频流进行实时解码、AI推理、结果叠加与再编码推流。该技术通过集成目标检测算法(如YOLOv5),实现对视频中特定目标(如人、车)或行为的智能识别,其技术价值在于将非结构化的视频数据转化为可检索、可报警的结构化信息。在工程实践中,常采用C++与Python混合架构,以平衡性能与开发效率,其中C++负责高性能的音视频编解码与流处理,Python则依托其丰富的AI生态(如PyTorch)快速部署算法模型。这类系统广泛应用于智慧安防、工业检测 阅读详情

相关推荐

音视频开发实战路径:Linux内核、C++流水线与FFmpeg源码深度解析

音视频开发本质上是面向实时性、高吞吐与跨平台稳定性的系统工程,其核心不在语法或命令行工具,而在于Linux内核机制(如mmap内存映射、SCHED_FIFO实时调度、sendfile零拷贝)、C++资源生命周期管理(RAII/无锁队列/ABI兼容)与FFmpeg底层原理(Demuxing/NALU解析、推送-拉取编解码模型)的深度融合。掌握这些能力,才能应对教育直播低延迟推流、车载DVR私有协议适配、WebRTC弱网拥塞控制等真实场景。本文聚焦音视频开发者必须直面的Linux系统级细节与C++工程实践,覆盖

weixin_33895695的博客 402

zlmediakit 新增可以使用硬件加速的转码http api接口方法

4、查看zlmediakit里面提供的接口,默认的推流、拉流都是不通过ffmpeg的,无法通过ffmpeg相关方法得到数据帧。通过在postman里面增加的ffmpeg转码接口,发起请求,处理的地方就会到webapi.cpp里面的api_regist。3、以上两种方法只是直接使用 ffmpeg进行转码了,但是无法我们无法破坏ffmpeg指令过程,获取到解码得到的帧数据。也无法满足我们的需求。2、ffmpeg硬件加速,这个需要安装相关的驱动,并且在编译ffmpeg的时候,增加cuda编译,这样通过。

zvivi521的专栏 2518

开源明厨亮灶平台架构设计:从云边端协同到AI视觉分析实战

在物联网与智慧安防领域,视频监控与智能分析是构建感知层的核心技术。其原理在于通过标准协议(如RTSP/ONVIF)接入设备,利用边缘计算进行实时AI推理,并将结构化结果汇聚至云端平台进行处理与可视化。这项技术的核心价值在于实现了从“人海战术”到“智慧监管”的范式转变,通过解耦的架构降低了系统复杂性与长期成本。其典型应用场景包括城市安防、工业质检以及食品安全监管等。本文聚焦于“明厨亮灶”这一具体场景,深入探讨如何基于开源技术栈(如Go、TensorRT、PostgreSQL)构建一个支持大规模摄像头接入、具备

duiker 489

桌面录屏推流(ffmpeg/gstreamer+ZLMediaKit推流rtmp/rtsp)

在Ubuntu1804上,搭建ZLMediaKit流媒体服务器,使用ffmpeg/gstreamer推rtmp/rtsp流

Sheleon1995的博客 4417

BXC视频行为分析系统:从架构解析到工程实践

视频行为分析是计算机视觉与边缘计算领域的关键技术,其核心原理在于通过目标检测与行为识别算法,对视频流中的特定目标(如人、车)及其动作进行自动化识别与理解。这项技术的核心价值在于将AI算法从实验室环境转化为稳定、可管理的生产级服务,解决了算法模型与实际业务系统间的集成难题。在智慧安防、工业巡检、智慧零售等场景中,它能够实现7x24小时的实时监控与智能预警。本文以BXC VideoAnalyzer这一开源视频行为分析系统为例,深入剖析其采用C++核心处理与Python算法服务解耦的混合架构设计,并详细演示如何从

ajwh64482的博客 403

ardupilot开发 --- RTSP/RTMP视频流 篇

ardupilot无人机的RTSP、RTMP视频流拉取和推送,代码注释详细!

记录老板的每次pua,分享领导每天的毒鸡汤... 1716

FFmpeg4.3系列之18:ZLMediaKit流媒体直播

敬告:该系列的课程在抓紧录制更新中,敬请大家关注。敬告: 该系列的课程涉及:FFmpeg,WebRTC,SRS,Nginx,Darwin,Live555,等。包括:音视频、流媒体、直播、Android、视频监控28181、等。我将带领大家一起来学习:ZLMediakit配置安装与直播推流拉流、ubuntu18,centos7,windows10。。具体内容包括:1.Ubuntu18安装配置ZLMediaKit。2.Windows10编译运行ZLMediaKit。3.Centos7编译运行ZLMediaKit。 音视频与流媒体是一门很复杂的技术,涉及的概念、原理、理论非常多,很多初学者不学 基础理论,而是直接做项目,往往会看到c/c++的代码时一头雾水,不知道代码到底是什么意思,这是为什么呢? 因为没有学习音视频和流媒体的基础理论,就比如学习英语,不学习基本单词,而是天天听英语新闻,总也听不懂。所以呢,一定要认真学习基础理论,然后再学习播放器、转码器、非编、流媒体直播、视频监控、等等。 梅老师从事音视频与流媒体行业18年;曾亲手主导广电直播全套项目,精通h.264/h.265/aac,曾亲自参与百度app上的网页播放器等实战产品。目前全身心自主创业,主要聚焦音视频+流媒体行业,精通音视频加密、流媒体在线转码快编等热门产品。

[原创]Linux 802.11n CSI tool Monitor模式

Linux 802.11n CSI tool Monitor模式 使用AP模式的缺陷在于ping 命令速度比较慢,且不能精确控制发送的参数,比如接收的包数量是不可控的。Monitor模式可以调制发送速率、发包数量、发送天线个数、HT模式、short/long guard interval等等,因此调通Monitor模式是必须的。期间参考了博主沃一德的CSI Tool安装使用讲解,对他的工作表示感...

u014645508的博客 1万+

zlmediakit搭建和配合ffmpeg使用

前言 本来是自己按照文档搭建好使用的,结果用完就扔,部署新服务器的时候,又查了一遍,不仅耽误时间,还做了很多无用功,坑死自己系列。。。所以赶紧记录一下,争取以后再用到不要再翻各种文档了 1.zlmediakit搭建: 链接:https://zhuanlan.zhihu.com/p/366774975 这篇文章写得已经非常详细了,就不再拾人牙慧了 2.ffmpeg安装: 虽然上面的搭建文档说不用安装ffmpeg,但是如果使用命令的话,肯定还是要安装的(不安装指的是在项目中调用api) 1).sudo apt-

weixin_43248279的博客 7571

基于 LSTM 的船舶轨迹预测,单步预测

基于 LSTM 的船舶轨迹预测,单步预测

fyuhao的博客 1万+

海康工业相机使用教程

海康工业相机连接电脑教程

qq_43251445的博客 2万+

FFmpeg与ZLMediaKit实战:构建低延迟RTMP视频推流系统

本文详细介绍了如何使用FFmpeg与ZLMediaKit构建低延迟RTMP视频推流系统。通过环境搭建、参数调优和实战技巧,帮助开发者实现端到端延迟控制在300毫秒以内的高性能推流方案,适用于直播、在线教育等场景。

b0c1d2的博客 246

别再为CAD和GIS数据对不上而头疼了!一份完整的ArcGIS for AutoCAD坐标系定义与数据套合指南

本文详细介绍了如何通过ArcGIS for AutoCAD插件解决CAD与GIS数据坐标系不匹配的问题,实现数据的精准套合。文章从坐标系冲突分析、插件核心功能解析到五步标准化工作流,提供了完整的解决方案,帮助工程师和设计师提升跨平台协作效率。

weixin_42531886的博客 218

交叉编译(OpenCV,ZLMediaKit )

宿主机上编译源码,目标机上实现运行。

weixin_51904054的博客 219

SAP 第三方销售

第三方销售

yanzibing99的博客 3518

Windows 10错误代码解析与系统故障排除指南

操作系统错误代码是系统运行状态的直接反馈,Windows系统通过特定编码机制将故障信息转化为可识别的错误代码。从技术原理看,这些代码通常对应特定的异常处理流程,包括内存管理、驱动兼容性、文件系统等核心模块。理解错误代码对于系统维护具有重要价值,能快速定位问题根源,提高故障排除效率。在实际应用场景中,蓝屏错误(如0x0000007B)、系统升级失败(如0x80070002)和启动故障是最常见的三类问题。通过分析dump文件、使用WinDbg工具和系统内置诊断功能,可以有效解决大部分系统异常。特别是对于蓝屏错误

weixin_30516429的博客 299

零延迟 RTSP 视频流服务器,实现网络摄像头AI处理0延迟

零延迟RTSP视频流服务器,支持NVENC硬件编码(<5ms)、自动注册ZLMediaKit实现WebRTC播放、AI检测结果实时推流、Python绑定、4K分辨率,海康 大华等摄像头ai视频处理

m0_61569220的博客 1145

Linux ARM平台开发系列讲解(GMSL摄像头篇)1.2 MAX9296 GMSL链路配置

串行器 +解串器组成,软件需要做的就是写这三部分的驱动,让摄像头数据能到达。3. 配置解串器和串行器的GMSL链路。串行器和解串器上电成功之后,就可以配置。软件配置(注意软件只可以配置速率,2. 9296上电,使能芯片。的版本和速率,比如版本是配置。配置成功之后,就会出现串行器。的链路,其它同类型的。设备地址,我设置的是。...

DSMGUOGUO的博客 1万+

QMediaPlayer 、QVideoSink 的核心功能以及与FFmpeg的区别

本文对比了Qt的QMediaPlayer+QVideoSink与FFmpeg在音视频处理中的差异与应用场景。QMediaPlayer提供高层播放控制,适合快速集成视频播放与简单帧获取;FFmpeg则支持专业级音视频处理,包括编解码、滤镜和流媒体协议。文章详细分析了两者在格式支持、性能控制、开发效率等方面的优劣,并提出了混合架构方案:使用FFmpeg进行底层处理,通过QOpenGLWidget实现高性能渲染,结合Qt的UI优势。最后针对不同应用场景给出了技术选型建议,为开发者提供了清晰的指导框架。

m0_73482095的博客 971

微搭低代码实现用户登录及注册功能

在小程序开发中,我们可以拿到微信用户的openid,openid可以作为用户的唯一标识,在查询数据的时候可以进行数据过滤实现查询自己提交的数据。那微搭中是否也有openid这个概念,可以获取用户自己提交的数据呢? 答案是肯定的,那要怎么去做呢?思路是先创建一个数据源方法,在数据源中返回openid,然后低代码中可以调用数据源的方法并且赋值给全局变量,这样在后续的业务中从全局变量就可以获取openid了,方便做数据权限的控制。 为了实现这个目的,我们从创建数据源开始。 创建数据源 我们先创建一个用户管理的数据

低代码布道师的博客 3000

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

AI助力流媒体开发:用zlmediakit构建智能直播系统

结合OpenCV的运动检测和AI分析结果,系统会自动标记精彩片段。比如当检测到多人人脸或特定物体(如足球)持续出现时,自动生成高光时刻时间戳。这里用到了滑动窗口算法来优化处理效率。

SilvermistFalcon19的博客 456

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

ZLMediaKit fMP4直播:HTTP/WebSocket-fMP4低延时传输方案

在实时音视频传输领域,低延迟和高兼容性一直是开发者面临的核心挑战。传统的HTTP-FLV和HLS方案虽然兼容性好,但延迟通常在2-10秒;WebRTC虽然延迟低,但浏览器兼容性和部署复杂度较高。fMP4(Fragmented MP4)格式的出现为这一问题提供了优雅的解决方案。 **fMP4核心优势:** - ⚡ **超低延迟**:可达500毫秒以内,最低100毫秒 - ???? **广泛兼容**:基...

gitblog_00526的博客 1091

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【开源】零延迟RTSP服务器:让AI检测画面实时呈现,海康摄像头秒变AI神器!

本文介绍一个开源零延迟RTSP服务器项目,解决AI检测画面延迟问题。通过架构创新将传统RTMP推流的2-5秒延迟降至50-100ms,延迟骤降95%。 核心亮点: 架构创新:ZLM主动拉取+单帧缓冲实现极致低延迟 硬件加速:NVENC编码延迟<5ms,CPU占用几乎为0 成本优势:海康摄像头500元秒变AI神器,成本降低90% 技术栈:C++17+live555+FFmpeg+NVENC+OpenCV,支持Python绑定、多路并发、4K分辨率。 应用场景:智慧园区、智能工厂、智慧零售等,适用于人脸识

m0_61569220的博客 1339

ZLmediakit+ffmpeg推拉流

ZLmediakit+ffmpeg 推拉流

qq_31156741的博客 824

zlmediakit ffmpeg拉流代理测试

使用postman 测试zlmediakit的http api接口,发现在后台没有ffmpeg命令在执行的时候,一直退出?不明白是什么原理。测试结果如下:后台执行命令:ffmpeg -re -f video4linux2 -s 1280x720 -i /dev/video0 -vcodec libx264 -f rtsp -rtsp_transport tcp rtsp://192.168.1.46/live/test,则执行成功。

zvivi521的专栏 3947

【视频转码】基于ZLMediakit的视频转码技术概述

目前zlmediakit pro转码能力支持两种使用方式,第一种是基于配置文件方式,在设置好配置文件后,所有流都支持转码为目标编码格式直播流,第二种模式基于http api方式,此方式更灵活,功能强大,可以指定更多转码相关参数。zlmediakit同时还提供基于http api的转码方式,这种方式支持的功能更强大,使用更灵活,同时支持一个流转码成多个目标流(比如说不同分辨率的场景)。,那么zlmediakit将统一把所有直播流转码为目标编码格式,用户通过访问新的流地址即可确保为预期编码格式视频。

泛在安防边缘智能视频分析 5513
上一篇: yolov5模型部署:Triton服务器+TensorRT模型加速(基于Jetson平台)
下一篇: Ubuntu下修改环境变量的方法
AI小笔记
AI小笔记 新星创作者: 人工智能技术领域 新星创作者: 人工智能技术领域
博客等级 码龄8年 1万+粉丝 154原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI小笔记

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值