vidyo.ai

Servicio de procesamiento de Vidyo - vidyo.ai

---

Contenido

• Descripción general
• Instalación
• Descripción del esquema de base de datos
• Diseño de arquitectura eficiente
• Vídeo de demostración

Descripción general

---

Este servicio web de Python, creado con Django, proporciona funcionalidades para el procesamiento de video, incluida la extracción de audio y la marca de agua de video. Integra FFmpeg para el procesamiento de medios y utiliza una base de datos SQLite para almacenar información sobre videos procesados.

Instalación:

---

Configuración local

Clonar el repositorio

 git clone https://github.com/gouravmohanty7070/vidyo.ai

Configurar entorno virtual

Para garantizar un entorno limpio y aislado para su aplicación, se recomienda utilizar un entorno virtual. Así es como puedes configurarlo:

 cd vidyo.ai
python -m virtualenv venv

Activando el entorno virtual

• En Windows:

 venvScriptsactivate

• En macOS y Linux:

 source venv/bin/activate

Instalar FFmpeg

• En Windows:

 Download FFmpeg:

Go to the FFmpeg Official Website and download the latest build for Windows.
Extract the Files:

Extract the downloaded ZIP file to a location on your computer (e.g., C:FFmpeg).
Add FFmpeg to the System Path:

Right-click on 'This PC' or 'My Computer' and select 'Properties'.
Click on 'Advanced system settings' and then 'Environment Variables'.
Under 'System Variables', find and select the 'Path' variable, then click 'Edit'.
Click 'New' and add the path to the bin folder inside the extracted FFmpeg folder (e.g., C:FFmpegbin).
Click 'OK' to close all dialog boxes.
Verify the Installation:

Open Command Prompt and type ffmpeg -version to check if FFmpeg is installed correctly.

• En MacOS:

 brew install ffmpeg

• En Linux:

 sudo apt install ffmpeg

Instalar dependencias Con el entorno virtual activado, instale las dependencias requeridas usando pip y el archivo requisitos.txt:

 pip install -r requirements.txt

Inicie la aplicación Navegue hasta el directorio "vidyo", que contiene el código de la aplicación:

 cd vidyo

Ejecutar migraciones

 python manage.py migrate

Ejecute el siguiente comando para iniciar la aplicación:

 python manage.py runserver

Accede a la aplicación

 Open your web browser and go to http://127.0.0.1:8000/

Pruebas

 Use tools like Postman or cURL to test the API endpoints.

Ejecutando con Docker

Clonar el repositorio

 git clone https://github.com/gouravmohanty7070/vidyo.ai
cd vidyo.ai

Construya la imagen de Docker

 docker build -t vidyo .

Ejecute el contenedor Docker

 docker run -p 8000:8000 vidyo

Accede a la aplicación

 Open your web browser and go to http://localhost:8000

Pruebas

 Use tools like Postman or cURL to test the API endpoints.

Nota

 Audio Extraction Endpoint: POST /extract-audio
Video Watermarking Endpoint: POST /watermark-video

Descripción del esquema de base de datos

El servicio utiliza una base de datos SQLite con las siguientes tablas y campos para almacenar información sobre videos procesados:

Tabla de videos: esta tabla almacena información sobre videos extraídos de audio y con marcas de agua.

1. usuario: campo de cadena que almacena el nombre de usuario del usuario que subió el video.
2. upload_time: campo DateTime para registrar la hora de carga del video.
3. hora_procesada: registra la marca de tiempo en la que se completó el procesamiento del video y se establece automáticamente en la hora actual cuando se actualiza el registro.
4. Processing_type: Indica el tipo de procesamiento realizado en el vídeo ('audio_extraction' o 'watermarking').
5. original_video_name: almacena el nombre del archivo de video original que se cargó.
6. process_video_name: almacena el nombre del archivo de audio o video procesado. Esto es relevante tanto para la extracción de audio como para las funciones de marca de agua.
7. watermark_image: almacena el nombre de la imagen de marca de agua utilizada en el proceso de creación de marca de agua del vídeo. Este campo solo es aplicable para marcas de agua.
8. watermark_position: Indica la posición de la marca de agua en el video. Este campo solo es aplicable para marcas de agua.

Tablas adicionales:

Dependiendo de los requisitos de su aplicación, es posible que tenga tablas adicionales, especialmente si estamos implementando autenticación de usuario, registro u otras funciones.

Instrucciones de configuración de la base de datos:

Después de configurar su proyecto Django, ejecute los siguientes comandos para crear y aplicar migraciones para el esquema de su base de datos:

 python manage.py makemigrations
python manage.py migrate

Diseño de arquitectura eficiente

---

• Equilibrador de carga: este será el punto de entrada para las solicitudes de procesamiento de video entrantes. Distribuye la carga de manera uniforme entre varios servidores del clúster de servicios, lo que garantiza que ningún servidor se vea abrumado.
• Clúster de servicios de procesamiento de video: un grupo de servidores que manejan las tareas reales de procesamiento de video. Este clúster se puede escalar horizontalmente para aumentar la capacidad.
• Administrador de asignación de recursos: este componente asigna dinámicamente tareas a diferentes colas según la naturaleza de la tarea (CPU o uso intensivo de memoria).
• Cola de tareas con uso intensivo de CPU y cola de tareas con uso intensivo de memoria: colas separadas para tareas que requieren uso intensivo de CPU y aquellas que requieren uso intensivo de memoria. Esta separación permite un procesamiento más eficiente.
• Servidores optimizados para CPU y servidores optimizados para memoria: servidores dedicados optimizados para tareas con uso intensivo de CPU o memoria. Esto garantiza que cada tarea sea manejada por el servidor que mejor se adapte a sus requisitos.
• Base de datos de videos procesados: después del procesamiento, los videos se almacenan en una base de datos. Esta podría ser una solución de almacenamiento basada en la nube para lograr escalabilidad y facilidad de acceso.
• Capa de caché: un mecanismo de almacenamiento en caché para atender rápidamente solicitudes frecuentes, reduciendo la carga en los servidores de procesamiento y la base de datos.
• Respuesta del cliente: El vídeo final procesado o los datos relevantes se devuelven al cliente.

Esta arquitectura está diseñada para optimizar el uso de recursos y mantener la capacidad de respuesta bajo cargas elevadas. Al separar las tareas según sus requisitos de recursos y utilizar una combinación de servidores optimizados, el sistema puede manejar una gran cantidad de solicitudes de procesamiento de video simultáneas de manera eficiente.

Vídeo de demostración

---

Vídeo de demostración de la tarea de vidyo.ai