职责分离：数据采集、编码、推送各司其职易于扩展：更换摄像头只需修改，更换编码器只需修改复用性强可以被不同的上层应用复用。

Live555 的架构设计非常清晰，采用分层设计思想，各层职责分明。在 Live555 的异步事件驱动模型中，负责管理所有事件。理解这些事件类型是掌握 Live555 运行机制的关键。从代码实现和逻辑分类来看，事件主要分为以下三类和中的类都是用于整个系统的基础功能类。代表了整个系统运行的环境，它提供了错误记录和错误报告的功能，无论哪一个类要输出错误，就需要保存的指针。则提供了任务调度功能。整个程序

UML（Unified Modeling Language，统一建模语言）是一种基于面向对象的可视化建模语言。📊 采用一组形象化的图形符号（如类图）作为建模语言🎯 使用这些符号可以形象地描述系统的各个方面🔗 通过建立图形之间的各种关系（如类与类之间的关系）来描述模型用例图（Use Case Diagram）也称为用户模型图，是从软件需求分析到最终实现的第一步，它是从客户的角度来描述系统功能。

反射（Reflection）是一种在程序运行时检查、访问和修改对象状态和行为的机制。拥有反射特性的语言可以在运行时获取类的信息、调用类的方法、创建类的实例。Class<?但C++作为编译型语言，不提供原生的反射机制。然而，在某些场景下，我们确实需要类似的功能。组件作用单例工厂全局管理类名与创建函数的映射注册器类封装注册逻辑，简化使用全局对象在main()之前自动执行注册反射的价值📦 解耦框架代码

人工智能、深度学习是当前技术发展的重要趋势。数据准备 → 模型构建 → 模型部署💡定位建议了解模型的输入与输出能够使用各种推理框架进行模型转换与推理具备快速适配各硬件平台的能力掌握流媒体、视频编解码、图像处理等技术能够快速写出稳定、高性能的C++代码✅输入格式：NCHW格式的640×640 RGB图像✅输出格式张量，包含边界框和类别置信度✅前处理：缩放 → BGR转RGB → 归一化 → HWC

电脑是win11,上面有张3060显卡，想使用它做深度学习方面的事，一般开发都是在linux上，不想把电脑装成linux系统，vmware中的虚拟机又不能使用GPU，经过一番搜索发现有一种叫WSL的技术可以解决我的问题，简单来说WSL是windows上的一种虚拟化技术，它可以让你在windows中运行linux系统，就像vmware那样，重点是它可以使用GPU。

人工智能、深度学习是当前技术发展的重要趋势。数据准备 → 模型构建 → 模型部署💡定位建议了解模型的输入与输出能够使用各种推理框架进行模型转换与推理具备快速适配各硬件平台的能力掌握流媒体、视频编解码、图像处理等技术能够快速写出稳定、高性能的C++代码✅输入格式：NCHW格式的640×640 RGB图像✅输出格式张量，包含边界框和类别置信度✅前处理：缩放 → BGR转RGB → 归一化 → HWC

权重是神经网络训练过程中不断调优得到的数据，搭配各种神经网络的算子，可以实现检测、分类、识别等任务。简单来说，权重就是一堆经过训练优化的数值参数。深度学习算法由一个个计算单元组成，我们称这些计算单元为算子（Operator，简称OP）。算子的三个要素：算子的名称：标识网络中的某个算子，同一网络中算子的名称需要保持唯一算子的类型：网络中每个算子根据算子类型进行实现逻辑的匹配算子计算数据的容器：即张量

CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算平台和编程模型，让开发者能够使用NVIDIA GPU进行通用计算（GPGPU）。Context类似进程，是GPU资源的容器Stream是任务队列，实现操作并行Event是同步工具，用于计时和协调Driver API提供底层精细控制，提供高级便捷封装选择合适的API和编程模式，结合实际场景优

在AI视频分析场景中，视频解码往往是整个推理流水线的第一道关卡。CPU占用率飙升至80%以上，影响业务逻辑处理解码延迟增加，无法满足实时性要求系统功耗激增，边缘部署场景下难以接受│ DVPP 模块架构 ││ │ 视频解码 │ │ 视频编码 │ │ PNG解码 │ │ JPEG解码 │ ││ ││ │ 图像处理 │ │ 缩放 │ │ 裁剪 │ │ 转换 │ │主流编码格式4K@60fps单路解码能力