Download vidyo.ai - download do código-fonte de vidyo.ai

vidyo.ai

Outro código-fonte

Baixar

Serviço de processamento Vidyo - vidyo.ai

Conteúdo

Visão geral
Instalação
Descrição do esquema de banco de dados
Projeto de Arquitetura Eficiente
Vídeo de demonstração

Visão geral

Este serviço web Python, construído usando Django, fornece funcionalidades para processamento de vídeo, incluindo extração de áudio e marca d'água de vídeo. Integra FFmpeg para processamento de mídia e usa um banco de dados SQLite para armazenar informações sobre vídeos processados.

Instalação:

Configuração local

Clonar o repositório

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

Configurar ambiente virtual

Para garantir um ambiente limpo e isolado para sua aplicação, é recomendado utilizar um ambiente virtual. Veja como você pode configurá-lo:

 cd vidyo.ai
python -m virtualenv venv

Ativando o Ambiente Virtual

No Windows:

 venvScriptsactivate

No macOS e Linux:

 source venv/bin/activate

Instale o FFmpeg

No 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.

No macOS:

 brew install ffmpeg

No Linux:

 sudo apt install ffmpeg

Instalar dependências Com o ambiente virtual ativado, instale as dependências necessárias usando pip e o arquivo requirements.txt:

 pip install -r requirements.txt

Inicie o aplicativo Navegue até o diretório "vidyo", que contém o código do aplicativo:

 cd vidyo

Execute migrações

 python manage.py migrate

Execute o seguinte comando para iniciar o aplicativo:

 python manage.py runserver

Acesse o aplicativo

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

Teste

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

Executando com Docker

Clonar o repositório

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

Construir a imagem Docker

 docker build -t vidyo .

Execute o contêiner Docker

 docker run -p 8000:8000 vidyo

Acesse o aplicativo

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

Teste

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

Observação

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

Descrição do esquema de banco de dados

O serviço utiliza um banco de dados SQLite com as seguintes tabelas e campos para armazenar informações sobre os vídeos processados:

Tabela de vídeo - Esta tabela armazena informações sobre vídeos extraídos de áudio e com marca d'água.

user: Campo de string que armazena o nome de usuário do usuário que enviou o vídeo.
upload_time: campo DateTime para registrar o horário de upload do vídeo.
process_time: registra o carimbo de data e hora em que o processamento do vídeo foi concluído, definido automaticamente para a hora atual quando o registro é atualizado.
processamento_type: Indica o tipo de processamento realizado no vídeo ('audio_extraction' ou 'watermarking').
original_video_name: Armazena o nome do arquivo de vídeo original que foi enviado.
processado_video_name: Armazena o nome do arquivo de vídeo ou áudio processado. Isso é relevante tanto para extração de áudio quanto para funcionalidades de marca d’água.
watermark_image: Armazena o nome da imagem da marca d'água usada no processo de marca d'água do vídeo. Este campo só é aplicável para marca d'água.
watermark_position: Indica a posição da marca d'água no vídeo. Este campo só é aplicável para marca d'água.

Tabelas Adicionais:

Dependendo dos requisitos do seu aplicativo, você poderá ter tabelas adicionais, especialmente se estivermos implementando autenticação de usuário, registro em log ou outros recursos.

Instruções de configuração do banco de dados:

Após configurar seu projeto Django, execute os seguintes comandos para criar e aplicar migrações para seu esquema de banco de dados:

 python manage.py makemigrations
python manage.py migrate

Projeto de Arquitetura Eficiente

Load Balancer: Este será o ponto de entrada para solicitações de processamento de vídeo recebidas. Ele distribui a carga uniformemente entre vários servidores no cluster de serviço, garantindo que nenhum servidor fique sobrecarregado.
Cluster de serviço de processamento de vídeo: um cluster de servidores que lidam com as tarefas reais de processamento de vídeo. Este cluster pode ser dimensionado horizontalmente para aumentar a capacidade.
Gerenciador de alocação de recursos: este componente aloca tarefas dinamicamente para diferentes filas com base na natureza da tarefa (uso intensivo de CPU ou memória).
Fila de tarefas com uso intensivo de CPU e fila de tarefas com uso intensivo de memória: filas separadas para tarefas que exigem muita CPU e aquelas que usam muita memória. Essa separação permite um processamento mais eficiente.
Servidores otimizados para CPU e servidores otimizados para memória: Servidores dedicados otimizados para tarefas com uso intensivo de CPU ou memória. Isso garante que cada tarefa seja realizada por um servidor mais adequado às suas necessidades.
Banco de dados de vídeos processados: Após o processamento, os vídeos são armazenados em um banco de dados. Esta poderia ser uma solução de armazenamento baseada em nuvem para escalabilidade e facilidade de acesso.
Camada de Cache: Um mecanismo de cache para atender rapidamente solicitações frequentes, reduzindo a carga nos servidores de processamento e no banco de dados.
Resposta do cliente: O vídeo final processado ou dados relevantes são enviados de volta ao cliente.

Essa arquitetura foi projetada para otimizar o uso de recursos e manter a capacidade de resposta sob alta carga. Ao separar as tarefas com base em seus requisitos de recursos e usar uma combinação de servidores otimizados, o sistema pode lidar com um grande número de solicitações simultâneas de processamento de vídeo com eficiência.