vidyo.ai 다운로드 - vidyo.ai 소스 코드 다운로드

vidyo.ai

기타 소스코드

다운로드

Vidyo 처리 서비스 - vidyo.ai

내용물

개요
설치
데이터베이스 스키마 설명
효율적인 아키텍처 설계
데모 비디오

개요

Django를 사용하여 구축된 이 Python 웹 서비스는 오디오 추출 및 비디오 워터마킹을 포함한 비디오 처리 기능을 제공합니다. 미디어 처리를 위해 FFmpeg를 통합하고 SQLite 데이터베이스를 사용하여 처리된 비디오에 대한 정보를 저장합니다.

설치:

로컬 설정

저장소 복제

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

가상 환경 설정

애플리케이션에 대해 깨끗하고 격리된 환경을 보장하려면 가상 환경을 사용하는 것이 좋습니다. 설정 방법은 다음과 같습니다.

 cd vidyo.ai
python -m virtualenv venv

가상 환경 활성화

Windows의 경우:

 venvScriptsactivate

macOS 및 Linux의 경우:

 source venv/bin/activate

FFmpeg 설치

Windows의 경우:

 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.

macOS의 경우:

 brew install ffmpeg

리눅스의 경우:

 sudo apt install ffmpeg

종속성 설치 가상 환경이 활성화된 상태에서 pip 및 요구 사항.txt 파일을 사용하여 필요한 종속성을 설치합니다.

 pip install -r requirements.txt

애플리케이션 시작 애플리케이션 코드가 포함된 "vidyo" 디렉터리로 이동합니다.

 cd vidyo

마이그레이션 실행

 python manage.py migrate

다음 명령을 실행하여 애플리케이션을 시작합니다.

 python manage.py runserver

애플리케이션에 액세스

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

테스트

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

도커로 실행하기

저장소 복제

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

Docker 이미지 빌드

 docker build -t vidyo .

Docker 컨테이너 실행

 docker run -p 8000:8000 vidyo

애플리케이션에 액세스

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

테스트

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

메모

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

데이터베이스 스키마 설명

이 서비스는 처리된 비디오에 대한 정보를 저장하기 위해 다음 테이블과 필드가 포함된 SQLite 데이터베이스를 사용합니다.

비디오 테이블 - 이 테이블은 오디오 추출된 비디오와 워터마크가 있는 비디오 모두에 대한 정보를 저장합니다.

user: 동영상을 업로드한 사용자의 사용자 이름을 저장하는 문자열 필드입니다.
upload_time: 동영상 업로드 시간을 기록하는 DateTime 필드입니다.
processed_time: 영상 처리가 완료된 시점의 타임스탬프를 기록하며, 기록이 업데이트되면 자동으로 현재 시간으로 설정됩니다.
processing_type: 비디오에서 수행된 처리 유형('audio_extraction' 또는 'watermarking')을 나타냅니다.
원본_비디오_이름: 업로드된 원본 비디오 파일의 이름을 저장합니다.
processor_video_name: 처리된 비디오 또는 오디오 파일의 이름을 저장합니다. 이는 오디오 추출 및 워터마킹 기능 모두와 관련이 있습니다.
watermark_image: 비디오 워터마킹 과정에서 사용되는 워터마크 이미지의 이름을 저장합니다. 이 필드는 워터마킹에만 적용 가능합니다.
watermark_position: 영상 내 워터마크의 위치를 나타냅니다. 이 필드는 워터마킹에만 적용 가능합니다.

추가 테이블:

애플리케이션 요구 사항에 따라 특히 사용자 인증, 로깅 또는 기타 기능을 구현하는 경우 추가 테이블이 있을 수 있습니다.

데이터베이스 설정 지침:

Django 프로젝트를 설정한 후 다음 명령을 실행하여 데이터베이스 스키마에 대한 마이그레이션을 생성하고 적용합니다.

 python manage.py makemigrations
python manage.py migrate

효율적인 아키텍처 설계

로드 밸런서: 들어오는 비디오 처리 요청의 진입점이 됩니다. 서비스 클러스터의 여러 서버에 로드를 균등하게 분산하여 단일 서버가 과부하되지 않도록 합니다.
비디오 처리 서비스 클러스터: 실제 비디오 처리 작업을 처리하는 서버 클러스터입니다. 이 클러스터를 수평으로 확장하여 용량을 늘릴 수 있습니다.
리소스 할당 관리자: 이 구성 요소는 작업 특성(CPU 또는 메모리 집약적)에 따라 작업을 다양한 대기열에 동적으로 할당합니다.
CPU 집약적인 작업 큐 및 메모리 집약적인 작업 큐: CPU 집약적인 작업과 메모리 집약적인 작업에 대한 별도의 큐입니다. 이러한 분리를 통해 보다 효율적인 처리가 가능해집니다.
CPU 최적화 서버 및 메모리 최적화 서버: CPU 또는 메모리 집약적 작업에 최적화된 전용 서버입니다. 이를 통해 각 작업은 해당 요구 사항에 가장 적합한 서버에서 처리됩니다.
처리된 비디오용 데이터베이스: 처리 후 비디오는 데이터베이스에 저장됩니다. 이는 확장성과 액세스 용이성을 위한 클라우드 기반 스토리지 솔루션이 될 수 있습니다.
캐시 계층: 빈번한 요청을 신속하게 처리하여 처리 서버와 데이터베이스의 로드를 줄이는 캐싱 메커니즘입니다.
클라이언트 응답: 최종 처리된 비디오 또는 관련 데이터가 클라이언트로 다시 전송됩니다.

이 아키텍처는 리소스 사용을 최적화하고 부하가 높은 상황에서 응답성을 유지하도록 설계되었습니다. 리소스 요구 사항에 따라 작업을 분리하고 최적화된 서버를 혼합하여 사용함으로써 시스템은 많은 수의 동시 비디오 처리 요청을 효율적으로 처리할 수 있습니다.