- 综合排序
- 最热优先
- 最新优先
- 来自专栏媒矿工厂
实时 8K 服务的现状
来源：8K ASSOCIATION 演讲者：Mauricio Alvarez-Mesa 内容整理：胡经川 本文主要讨论实时 8K 服务的现状。 首先从 8K 格式标准入手介绍什么是 8K，然后从编码角度分析如何才能提供实时的 8K 服务，随后谈到目前有哪些在 8K 实时视频服务上的尝试并从中分析实时 8K 服务的未来。 目录 8K 是什么？ 8K 格式标准 为什么需要 8K 直播以及如何实现？ 谁在提供实时 8K 服务 ？ 实时 8K 服务的现在与未来？ 8K 是什么？ 所以综合考虑这些因素来看，HEVC 还是目前最适合用于 8K 实时内容的编解码标准。 表 4：不同厂商的编码器 解码器方面，它们大多已经被整合进 8K 电视或者 PC 中，而且除了 HEVC 以外，已经有一些实时的 AV1 和 VVC 解码器实现了。 谁在提供实时 8K 服务 ？
73230编辑于 2022-02-18 - 来自专栏实时音视频TRTC从小白到熟练
实时音视频开发学习8 - 云端混流转码
d.最多两列，每列最多8个小画面。最多支持1个大画面和15个小画面。 e.如果用户只发送音频，仍然会占用画面位置。
2.4K51发布于 2020-08-25 - 来自专栏Hadoop数据仓库
Greenplum 实时数据仓库实践（8）——事实表技术
定期装载 按月汇总只需要定期执行，不涉及实时性问题。fn_month_sum函数用于定期装载月销售订单周期快照事实表，函数定义如下。 图8-2显示了跟踪产品发布数量的表。 图8-2 无事实的事实表 执行下面的语句，在数据仓库模式中创建产品发布日期视图及其无事实事实表。由于是新建表，不需要事先停止Canal服务。 销售订单事实表的粒度是实时，而周期快照事实表的粒度是每月，因此必须使用订单日期代理键对应的月份代理键进行比较。此插入是一个幂等操作，因为再次执行时就不会满足not exists条件。 图8-3显示了新的模式，这里只显示了相关的表。 图8-3 累积度量 执行下面的语句创建month_end_balance_fact事实表，用来存储销售订单金额和数量的月累积值。 定期装载 累积度量只需要定期执行，不涉及实时性问题。下面所示的month_balance_sum.sql脚本用于定期装载销售订单累积度量，每个月执行一次，装载上个月的数据。
2.2K11编辑于 2022-04-13 - 来自专栏GiantPandaCV
NCNN+INT8+YOLOV4量化模型和实时推理
： https//github.com/Tencent/ncnn/wiki/quantized-int8-inference wiki中：为了支持int8模型在移动设备上的部署，我们提供了通用的训练后量化工具 ，可以将float32模型转换为int8模型。 /ncnn2int8 yolov4-tiny-opt.param yolov4-tiny-opt.bin yolov4-tiny-int8.param yolov4-tiny-int8.bin yolov4 三、新版ncnn的int8量化再探 量化出了int8模型仅仅是成功了一半，有模型但是内部参数全都错乱的情况也不是没见过。。。 ? 后续会尝试更多模型的int8推理，做对比实验给各位网友看 所有的文件和修改后的代码放在这个仓库里，欢迎大家白嫖： https://github.com/pengtougu/ncnn-yolov4-int8
3K30发布于 2021-05-18 - 来自专栏黄腾霄的博客
2020-6-8-关于实时协同编辑的架构思考
实时协同编辑 随着大家在家办公，异地办公的情况普及，实时协同编辑工具也变得更加引人注目。 实施协同编辑会面临几个问题： 实时性——输入的数据可以及时被相关协作者看到 一致性——各端看到和编辑的文档需要保持一致 容错性——允许存在一定的网络波动，和数据丢失 但是这三个问题会形成一个不可能三角 这里我们会选择实时性和容错性： 实时性：保证了用户体验，让整个产品可用，毕竟用户不会期望编辑时一直卡顿 容错性：实现分布式协同和远程办公的基础，也是协同的必要条件 那为什么一致性可以妥协呢？ 首先我们要基于这一个假设: 在实时协同编辑的场景下，冲突是小概率事件。 就是说大部分情况下，协同编辑的参与者都会在文档的不同部分进行操作，而很少会同时对同一区域进行操作。 在线实时协作阶段，可以采用webrtc+Operational Transformation 保持一个良好的实时体验。 此时操作变更较少，冲突和补偿处理也会比较轻量，对用户感知少。
2.2K21发布于 2020-06-11 - 来自专栏音视频咖
4K8K 超高清实时处理与分发
在LiveVideoStackCon 2023上海站，腾讯云专家工程师刘兆瑞为我们分享了4K/8K超高清视频在实时编码的过程中遇到的困难以及解决方案。 目前我们达成的成果： 从8K的实时编码来说，8K单机能达到60FPS的实时编码，分布式集群转码能达120FPS的实时编码； 因为软件的灵活性，8K实时转码系统能够支持所有主流视频编解码标准； 在2022 以上这些出现的问题说明在8K场景下，每个操作都需要多加思考，可能仅仅多加了一个拷贝，就会导致系统的慢速导致达不到实时性。 通过视频增强、AI增强算法等操作可以实现4K实时超分，但是目前还很难支持实时超分8K。在这个背景下，我们利用分布式增强能力，支持直播过程中从4K到8K的超分。 经过一系列优化，实时8K转码编码系统也部署在客户的专有环境落地。央视网内部部署的系统支持8K的实时编码。 总结与展望 最后是总结与展望。先说转码服务： 转码服务首先要进行编码器的优化。
1.2K20编辑于 2023-08-23 - 来自专栏GPUS开发者
实时交通监控：YOLOv8与NVIDIA JetPack 6.0的集成应用
使用ITS应用程序的好处包括：提高交通效率：通过分析实时交通数据，ITS可以优化交通流量，减少拥堵并缩短旅行时间。 重要的是，这些系统需要在边缘处理信息，以实现可靠的带宽、隐私、实时分析等。这篇文章介绍了如何使用 NVIDIA JetPack 6.0 中的新 Jetson 平台服务为边缘实施端到端流量分析解决方案。 该系统包括使用视频存储工具包 （VST） 服务进行视频摄取和存储、使用 YOLOv8 和 DeepStream AI 感知服务进行实时对象检测和车辆跟踪，以及对车辆运动的时空分析。 这种方法提高了处理速度和响应能力，使其成为需要实时数据解释和立即行动的ITS应用的理想选择。 在ITS应用中，YOLOv8可以实时检测和分类车辆、行人、交通标志等物体。这可以为管理和优化交通流量、增强道路安全和支持自动化交通系统提供基本数据。
1K10编辑于 2024-06-24 - 来自专栏深度学习和计算机视觉
使用YOLOv8和ByteTracker进行实时人员跟踪和计数
在计算机视觉领域，实时跟踪和统计人数对于各种应用至关重要，从监控到事件管理。在这篇博客文章中，我们将探讨如何利用YOLOv8和ByteTracker实现准确的人数统计。 这种组合不仅允许我们在帧中检测到人，而且还能够跟踪他们在帧之间的移动，为实时人数统计提供了强大的解决方案。 通常支持以下模型： YOLOv8n（Nano）：提供高速度和较低的准确性。非常适合处理速度的实时应用 YOLOv8s（Small）：平衡速度和准确性。适用于许多实际应用。 YOLOv8m（Medium）：在速度和准确性之间提供良好的权衡。适用于更苛刻的应用。 YOLOv8l（Large）：高准确性，速度较低。最适合准确性为优先考虑的场景。 结论 通过结合YOLOv8和ByteTracker，您可以有效地在帧之间检测和跟踪人员，提供准确的计数和有价值的洞察。这个解决方案可以扩展到需要实时个人监控和分析的各种应用。
1.1K10编辑于 2025-01-15 - 来自专栏嵌入式随笔
硬实时和软实时
硬实时和软实时的区别就是一个命令从准备执行到实际执行的时间长度的区别。比如要点亮一个LED灯。 如果需求是最多2ms内必须执行，那10ms的是软实时，1ms和10us的是硬实时。如果需求是最多20us内必须执行，那10ms和1ms的是软实时，10us的是硬实时。 所以软硬实时得看具体需求。 操作系统有的说是软实时，有的说是硬实时。是互相相对着说的，linux很多定义为软实时，freertos和RTX之类的rtos被定义为硬实时。 因为这俩相比一般linux的实时延迟要大一点。rt-linux的实时延迟可以到几百us，如果需求是不超过毫秒级的话，那rt-linux对这个需求也是硬实时。 既然有优先级抢占之类的存在，那要满足硬实时需求就还有很大一部分要取决于程序的编写（不止取决与系统），程序（驱动和应用程序）的编写同样重要。
75730编辑于 2023-09-01 - 来自专栏音视频咖
你问我答 | 实时音视频TRTC（2021年8月-10月）
实时音视频TRTC 你问我答 第2季 本期共解答10个问题 Q1：TRTC通话，实现大小屏切换，类似微信通话效果，点击自己的画面和对方的画面展示位置互换。 客户的推流参数： "txSecret=eca07737ee8d08e22f365ffbccb53e4c&txTime=72e3f06f&from=interactive&client_business_type CSIG_TRTC&cliRecoId=0&trtcclientip=116.113.127.238&useMixPlayer=1&txHost=109319.livepush.myqcloud.com" Q8：
1.5K20发布于 2021-11-26 - 来自专栏互联网杂技
8个视觉稿设计工具，页面视觉和实时交互就靠它们
5、Webflow Webflow无需编写代码，你可以直接在浏览器中完成网站的视觉和交互设计并实时预览，设计师可以随时修改。 8、PSD Covers PSD Covers是一个免费的资源站点，不是Web应用程序或复杂的软件，在这里你可以下载到一套Photoshop动作，它提供PSD实体模型模板来渲染你的设计，以及高分辨率的仿
1.8K50发布于 2018-04-02 - 来自专栏YOLO大作战
YOLOV8原创改进：一种新型轻量级实时检测算法
本文独家改进：本文提出了一种新型轻量级的实时监测算法，通过MobileViT魔改整个backbone，最后提出两个改进版本，YOLOv8_MobileViT和YOLOv8_MobileViT-p2两个版本 YOLOv8s进行对比，GFLOPs从原始的28.6降低至17.3和21.4layersparametersGFLOPskbyolov8s2251113597128.687459YOLOv8_MobileViT447439973217.334968YOLOv8 提出了一种基于YOLOV5框架的新型XM-YOLOViT雾天行人车辆实时检测算法，有效解决了密集目标干扰和雾霾遮挡问题，提高了复杂雾天环境下的检测效果。 摘要：提出了一种基于YOLOV5框架的新型XM-YOLOViT雾天行人车辆实时检测算法，有效解决了密集目标干扰和雾霾遮挡问题，提高了复杂雾天环境下的检测效果。 2.如何二次创新到YOLOv82.1 yolov8_MobileViT.yaml# Ultralytics YOLO , AGPL-3.0 license# YOLOv8 object detection
1.3K11编辑于 2024-01-31 - 来自专栏程序猿DD
Grafana 8重磅发布：统一警报、实时流、继续炫酷到底！
您还可以在我们新的 Grafana Play 仪表盘中查看 v8 中的新功能。 现在让我们来看看Grafana8.0中所有令人兴奋的新特性！ ? 九、实时流 实时流自从在 7.4 版本的图形面板中实现预览版，在 8.0 中获得了更多功能。这是我们在 Grafana 中为支持工业/物联网用例所做的激动人心的改变的一部分。 实时更新现在可以通过与 MQTT 数据源的 websocket 连接发送到仪表盘，也可以从 cURL 或 Telegraf 流式传输。 还可以通过将指标发布到新的实时端点 /api/live/push 来将事件发送到仪表盘。 它现在是 Grafana 的内置标准功能，可以开箱即用。 订阅我们即将举行的实时网络研讨会，了解有关仪表盘和 Grafana 8 用户界面的更多信息，同时为使用 Prometheus 和 Loki 存储指标和日志的 Web 服务设置监控。
3.2K20发布于 2021-07-13 - 来自专栏极客编程
8个最好的加密货币市场实时价格PHP脚本集 原
最好的PHP加密货币市场价格实时脚本script集。这些脚本显示实时报价，交易，历史图表，加密交易和超过2000种加密货币通过PHP和JavaScript进行交易。 1.CoinCompare——加密货币市场资本化 CoinCompare是一个PHP Web应用程序，它显示超过2000种加密货币的一般信息，实时报价，交易，交互式历史图表和Twitter时间线订阅源。 ，如CoinMarketCap.com或CryptoCompare，其中一个主要区别是，所有价格和信息都在浏览器中实时更新。 Demo请单击Bitcoin Faucet List 8.Bitcoin Tools Suite 比特币工具套件——50多种功能 介绍比特币工具套件。比特币的高质量工具和信息网站脚本。 这里是原文8个PHP加密货币市场实时价格脚本
3.4K30发布于 2018-12-10 - 来自专栏AIGC 先锋科技
基于 YOLOv8 和计算机视觉 CV 的实时识别系统！
YOLO是一种最先进的目标检测算法，因其实时处理能力而受到欢迎，能够在单次传递中准确地识别和定位图像或视频内的多个目标（Redmon等人，2016年）。 使用Roboflow数据集和YOLOv8的迁移学习，研究提出了一种在实时会议或视频会议中进行ASL手势（A到Z）实时转录的系统。 Ultralytics YOLOv8（https://www.ultralytics.com/yolo），一个高级目标检测模型，是该工具箱中的关键组成部分，以其实时效率和高度准确性而闻名。 YOLOv8 YOLOv8是一种基于深度学习和计算机视觉前沿进展的实时目标检测和图像分割模型，提供卓越的速度和准确性。其简化的架构适用于广泛的应用，并且易于扩展到各种硬件平台，从边缘设备到云API。 基于YOLO架构，Ultralytics的YOLOv8以其在实时目标检测中的效率和速度而闻名。它融合了模型架构、训练策略和部署选项的进步，使其成为计算机视觉应用中的热门选择。
1.2K10编辑于 2024-07-08 - 来自专栏我的小碗汤
一款k8s实时错误监控工具，值得用起来
大家好，我是小碗汤，今天为大家分享一款k8s集群错误监控工具: Kubiquity Kubiquity[1] 是一个基于 Electron 的 Kubernetes 健康监控应用程序。 它结合了 Kubernetes 命令行工具和 Prometheus 指标服务器，以从集群中获取实时信息。 用户可以通过实时跟踪每个集群的事件日志历史以及 CPU 和内存使用情况来跟踪其集群中的异常情况。 它能做什么？ Kubernetes 缺乏强大的错误跟踪。 K8sM8s 团队构建了一个易于使用且直观的工具，供开发人员搜索和保存相关事件。 Kubiquity 连接到现有集群并利用 kubectl 和 Prometheus 查询从 Kubernetes 集群中检索实时事件日志、资源指标、事件日志、pod CPU 、内存使用情况，一起显示在
1.3K10编辑于 2021-12-24 - 来自专栏大数据成长之路
基于 flink 的电商用户行为数据分析【8】| 订单支付实时监控
本篇是flink 的「电商用户行为数据分析」的第 8 篇文章，为大家带来的是市场营销商业指标统计分析之订单支付实时监控的内容！ 通过本期内容，我们可以实现通过使用CEP和Process Function来实现订单支付实时监控的功能，还能学会通过connect 和 join来实现flink双流join的功能，可谓干货满满！ ---- 订单支付实时监控 在电商网站中，订单的支付作为直接与营销收入挂钩的一环，在业务流程中非常重要。 另外，对于订单的支付，我们还应保证用户支付的正确性，这可以通过第三方支付平台的交易数据来做一个实时对账。在接下来的内容中，我们将实现这两个需求。
3.4K50发布于 2021-01-27 - 来自专栏HaHack
Extempore：实时系统的实时编程语言
介绍 Extempore 实时编程语言和环境，并详细探讨了使用 Extempore 演奏音乐的方法和技巧。 Extempore 是一套实时编程语言和运行环境，它提供了一个机体编程 (Cyberphysical Programming)[1] 环境，以支持对多媒体和实时系统的实时编程（Live Coding）。 这个实时系统和实际的环境配置有关（Environment-aware）——既可以是一个实时虚拟交响乐系统，也可以是一个实时图形系统、实时物理模拟系统等等。 3/8 拍）； (make-metre '(2 3) 0.5) 提供以 8 分音符为一拍，每小节先 2 拍再 3 拍（即 2/8 拍，3/8 拍，2/8 拍，3/8 拍……）。 以 2/8、3/8、2/8 拍的节奏演奏鼓的侧敲。
2.8K20发布于 2018-07-03 机场安全项目｜基于改进 YOLOv8 的机场飞鸟实时目标检测方法
论文信息《科学技术与工程》2024年第24卷第32期刊载了中国民用航空飞行学院空中交通管理学院孔建国, 张向伟, 赵志伟, 梁海军的论文——“基于改进 YOLOv8 的机场飞鸟实时目标检测方法”。 题目：基于改进YOLOv8的机场飞鸟实时目标检测方法作者：孔建国、张向伟、赵志伟、梁海军论文链接：http://www.stae.com.cn/jsygc/article/abstract/2309930 为解决上述问题，对中小型机场而言，本文提出基于改进YOLOv8的机场飞鸟实时检测方法。利用视频监控设备来检测飞鸟能以较低的成本实现高效的检测精度及速度。 改进YOLOv8满足机场鸟类检测实时性和精确性的要求，为复杂环境下中小机场飞鸟检测提供了一种新思路。YOLOv8模型结构YOLOV8s的模型结构如图1所示。 ，且FPS达到32帧/ s,符合实时目标检测任务的要求。
79110编辑于 2025-01-02- 来自专栏AI
基于 YOLOv8 的多车型交通车辆实时检测识别项目
基于YOLOv8的多车型交通车辆实时检测识别项目[目标检测完整源码]一、背景与问题引入在智慧交通体系中，“看得清、分得准、跑得快”始终是视觉感知系统的核心诉求。 其中，YOLOv8以其Anchor-Free架构、更优的速度–精度平衡以及完善的工程生态，非常适合用于实时车辆检测与系统级落地。 本文将从工程实践角度，完整介绍一个支持12类常见交通车辆、具备图形化界面、可直接部署运行的实时检测系统设计与实现思路。 全流程覆盖在此基础上，可进一步拓展：车辆轨迹跟踪（DeepSORT/ByteTrack）车流量统计与时间序列分析多路摄像头并行检测智慧交通平台对接六、总结与展望本文从系统视角出发，完整介绍了一套基于YOLOv8的多车型交通车辆实时检测平台的设计与实现思路 本文从工程化与系统化的角度，介绍了一套基于YOLOv8的多车型交通车辆实时检测系统，完整覆盖了数据输入、模型训练、推理部署以及PyQt5图形化交互等关键环节。
34210编辑于 2026-02-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号