音视频处理最佳实践

应用场景和优势

随着越来越多的强交互应用场景的出现，例如社交直播、在线课堂以及远程医疗等，互联网流量正在向实时、准实时的趋势演进。视频平台通常要将原始视频内容根据码率、分辨率、渠道贴片、播放平台等维度，以1∶N的方式转码输出多种分发视频格式，以服务不同网络质量、各种播放平台的观看者。视频转码是视频生产分发中的关键一环，理想的视频转码解决方案需要在成本（人民币/流）和功率效率（瓦/流）方面具有成本效益。

在不同的应用场景下，函数计算提供的GPU实例与CPU相比所具备的优势如下：

• 实时、准实时的应用场景

  提供数倍于CPU的转码效率，从而快速将生产内容推向终端用户。

• 成本优先的GPU应用场景

  提供弹性预留模式，从而按需为您保留工作GPU实例，对比自购VM拥有较大成本优势。

• 效率优先的GPU应用场景

  屏蔽运维GPU集群的繁重负担（驱动/CUDA版本管理、机器运行管理、GPU坏卡管理），使得开发者专注于代码开发、聚焦业务目标的达成。

GPU实例的更多信息，请参见实例类型及使用模式。

性能对比

函数计算GPU实例基于的Turing架构支持以下编码和解码格式：

• 编码格式

  H.264 (AVCHD) YUV 4:2:0

  H.264 (AVCHD) YUV 4:4:4

  H.264 (AVCHD) Lossless

  H.265 (HEVC) 4K YUV 4:2:0

  H.265 (HEVC) 4K YUV 4:4:4

  H.265 (HEVC) 4K Lossless

  H.265 (HEVC) 8k

  HEVC10-bitsupport

  HEVCB Framesupport

• 解码格式

  MPEG-1

  MPEG-2

  VC-1

  VP8

  VP9

  H.264 (AVCHD)

  H.265 (HEVC) 4:2:0

  *H.265 (HEVC) 4:4:4

  8 bit

  10 bit

  12 bit

  8 bit

  10 bit

  12 bit

  8 bit

  10 bit

  12 bit

原始视频信息如下表所示。

CPU和GPU的测试机器指标如下表所示。

视频转码（1∶1）

性能测试：1路输入、1路输出

视频转码（1∶N）

性能测试：1路输入、3路输出

转码命令

• CPU转码命令
  • 单路转码（1∶1）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg -y -i input.mp4 -c:v libx264 -vf scale=1920:1080 -b:v 5M output.mp4

  • 多路转码（1∶N）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg \
    -y -i input.mp4 \
    -c:a copy -c:v libx264 -vf scale=1920:1080 -b:v 5M output_1080.mp4 \
    -c:a copy -c:v libx264 -vf scale=1280:720 -b:v 5M output_720.mp4 \
    -c:a copy -c:v libx264 -vf scale=640:480 -b:v 5M output_480.mp4

  表 1. 参数说明

  参数	说明
  -c:a copy	无需任何重新编码即可复制音频流。
  -c:v h264	为输出流选择软件H.264编码器。
  -b:v 5M	将输出比特率设置为5 Mb/s。

• GPU转码命令
  • 单路转码（1∶1）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg -y -hwaccel cuda -hwaccel_output_format cuda -i input.mp4 -c:v h264_nvenc -vf scale_cuda=1920:1080:1:4 -b:v 5M output.mp4

  • 多路转码（1∶N）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg \
    -y -hwaccel cuda -hwaccel_output_format cuda -i input.mp4 \
    -c:a copy -c:v h264_nvenc -vf scale_npp=1920:1080 -b:v 5M output_1080.mp4 \
    -c:a copy -c:v h264_nvenc -vf scale_npp=1280:720 -b:v 5M output_720.mp4 \
    -c:a copy -c:v h264_nvenc -vf scale_npp=640:480 -b:v 5M output_480.mp4

  表 2. 参数说明

  参数	说明
  -hwaccel cuda	选择合适的硬件加速器。
  -hwaccel_output_format cuda	将解码的帧保存在GPU内存中。
  -c:v h264_nvenc	选择NVIDIA硬件加速H.264编码器。

准备工作

• 诚邀您参与测试GPU实例。请提交工单申请参与测试，并在工单中附上以下信息：
  • 组织名称，例如您所在的公司名称。
  • 您的阿里云账号ID。
  • 您期望使用GPU实例的地域，例如华南1（深圳）。
  • 联系方式，例如您的手机号、邮箱或钉钉账号等。
  • 您的镜像大小。
• 在GPU实例所在地域，完成以下操作：
  • 创建容器镜像服务的企业版实例或个人版实例，推荐您创建企业版实例。具体操作步骤，请参见创建企业版实例。
  • 创建命名空间镜像仓库。具体操作步骤，请参见步骤二：创建命名空间和步骤三：创建镜像仓库。
• 编译FFmpeg。

  FFmpeg需要自行编译以使用GPU加速，编译方式如下：

  • （推荐）通过Docker使用已编译好的FFmpeg。下载地址：nvidia-ffmpeg或ffmpeg
  • 自行编译。具体步骤，请参见官网编译手册。
• 将需处理的音视频资源上传至在GPU实例所在地域的OSS Bucket中，且您对该Bucket中的文件有读写权限。具体步骤，请参见上传文件。权限相关说明，请参见修改存储空间读写权限。

通过Serverless Devs部署GPU应用

前提条件

• 安装Serverless Devs和Docker
• 配置Serverless Devs

操作步骤

1. 创建项目。

   s init devsapp/start-fc-custom-container-event-python3.9 -d fc-gpu-prj

   创建的项目目录如下所示。

   fc-gpu-prj
   ├── code
   │   ├── app.py        # 函数代码
   │   └── Dockerfile    # Dockerfile：将代码打包成镜像的Dockerfile
   ├── README.md
   └── s.yaml            # 项目配置：包含了镜像如何部署在函数计算

2. 进入项目所在目录。

   cd fc-gpu-prj

3. 按实际情况修改目录文件的参数配置。
   • 编辑s.yaml文件。

     YAML文件的参数详解，请参见YAML规范。

     edition: 1.0.0
     name: container-demo
     access: default
     vars:
       region: cn-shenzhen
     services:
       customContainer-demo:
         component: devsapp/fc
         props:
           region: ${vars.region}
           service:
             name: tgpu_ffmpeg_service
             internetAccess: true
           function:
             name: tgpu_ffmpeg_func
             description: test gpu for ffmpeg
             handler: not-used
             timeout: 600
             caPort: 9000
             memorySize: 16384
             gpuMemorySize: 8192
             instanceType: g1
             runtime: custom-container
             customContainerConfig:
               # 1. 请检查阿里云ACR容器镜像仓库已提前创建相应的命名空间（namespace:demo）与仓库（repo:gpu-transcoding_s）。
               # 2. 后续更新函数时，请修改此处的tag，由v0.1修改为v0.2后，重新执行s build && s deploy。
               image: registry.cn-shanghai.aliyuncs.com/demo/gpu-transcoding_s:v0.1
             codeUri: ./code

   • 编辑app.py文件。

     示例如下：

     # -*- coding: utf-8 -*-
     # python2 and python3
     
     from __future__ import print_function
     from http.server import HTTPServer, BaseHTTPRequestHandler
     import json
     import sys
     import logging
     import os
     import time
     import urllib.request
     import subprocess
     
     class Resquest(BaseHTTPRequestHandler):
         def download(self, url, path):
             print("enter download:", url)
             f = urllib.request.urlopen(url)
             with open(path, "wb") as local_file:
                 local_file.write(f.read())
     
         def upload(self, url, path):
             print("enter upload:", url)
             headers = {
                 'Content-Type': 'application/octet-stream',
                 'Content-Length': os.stat(path).st_size,
             }
             req = urllib.request.Request(url, open(path, 'rb'), headers=headers, method='PUT')
             urllib.request.urlopen(req)
     
         def trans(self, input_path, output_path, enable_gpu):
             print("enter trans input:", input_path, " output:", output_path, " enable_gpu:", enable_gpu)
     
             cmd = ['ffmpeg', '-y', '-i', input_path, "-c:a", "copy", "-c:v", "h264", "-b:v", "5M", output_path]
             if enable_gpu:
                 cmd = ["ffmpeg", "-y", "-hwaccel", "cuda", "-hwaccel_output_format", "cuda", "-i", input_path, "-c:v", "h264_nvenc", "-b:v", "5M", output_path]
     
             try:
                 subprocess.run(cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE, check=True)
             except subprocess.CalledProcessError as exc:
                 print('\nreturncode:{}'.format(exc.returncode))
                 print('\ncmd:{}'.format(exc.cmd))
                 print('\noutput:{}'.format(exc.output))
                 print('\nstderr:{}'.format(exc.stderr))
                 print('\nstdout:{}'.format(exc.stdout))
     
         def trans_wrapper(self, enable_gpu):
             src_url = "https://your.domain/input.mp4"  # 需替换为您个人阿里云账号下的OSS，且您有可读写的权限。
             dst_url = "https://your.domain/output.flv" # 需替换为您个人阿里云账号下的OSS，且您有可读写的权限。
             src_path = "/tmp/input_c.flv"
             dst_path = "/tmp/output_c.mp4"
     
             if enable_gpu:
                 src_url = "https://your.domain/input.mp4"  # 需替换为您个人账号下的OSS，且您有可读写的权限。
                 dst_url = "https://your.domain/output.flv" # 需替换为您个人账号下的OSS，且您有可读写的权限。
                 src_path = "/tmp/input_g.flv"
                 dst_path = "/tmp/output_g.mp4"
     
             local_time = time.time()
             self.download(src_url, src_path)
             download_time = time.time() - local_time
     
             local_time = time.time()
             self.trans(src_path, dst_path, enable_gpu)
             trans_time = time.time() - local_time
     
             local_time = time.time()
             self.upload(dst_url, dst_path)
             upload_time = time.time() - local_time
     
             data = {'result':'ok', 'download_time':download_time, 'trans_time':trans_time, 'upload_time':upload_time}
             self.send_response(200)
             self.send_header('Content-type', 'application/json')
             self.end_headers()
             self.wfile.write(json.dumps(data).encode())
     
         def pong(self):
             data = {"function":"trans_gpu"}
             self.send_response(200)
             self.send_header('Content-type', 'application/json')
             self.end_headers()
             self.wfile.write(json.dumps(data).encode())
     
         def dispatch(self):
             mode = self.headers.get('TRANS-MODE')
     
             if mode == "ping":
                 self.pong()
             elif mode == "gpu":
                 self.trans_wrapper(True)
             elif mode == "cpu":
                 self.trans_wrapper(False)
             else:
                 self.pong()
     
         def do_GET(self):
             self.dispatch()
     
         def do_POST(self):
             self.dispatch()
     
     if __name__ == '__main__':
         host = ('0.0.0.0', 9000)
         server = HTTPServer(host, Resquest)
         print("Starting server, listen at: %s:%s" % host)
         server.serve_forever()

   • 编辑Dockerfile文件。

     示例如下：

     FROM registry.cn-shanghai.aliyuncs.com/serverless_devs/nvidia-ffmpeg:latest
     WORKDIR /usr/src/app
     RUN apt-get update --fix-missing
     RUN apt-get install -y python3
     RUN apt-get install -y python3-pip
     COPY . .
     ENTRYPOINT [ "python3", "-u", "/usr/src/app/app.py" ]
     EXPOSE 9000

4. 构建镜像。

   s build --dockerfile ./code/Dockerfile

5. 部署代码至函数计算。

   s deploy

   说明 服务名称和函数名称不变，重复执行以上命令时，请选择本地配置，即use local。
6. 配置预留模式的实例。

   s provision put --target 1 --qualifier LATEST

7. 查询预留模式的实例是否就绪。

   s provision get --qualifier LATEST

   如果查询到current参数为1，则说明GPU实例的预留模式已就绪，示例如下。

   [2021-12-14 08:45:24] [INFO] [S-CLI] - Start ...
   [2021-12-14 08:45:24] [INFO] [FC] - Getting provision: tgpu_ffmpeg_service.LATEST/tgpu_ffmpeg_func
   customContainer-demo: 
     serviceName:            tgpu_ffmpeg_service
     functionName:           tgpu_ffmpeg_func
     qualifier:              LATEST
     resource:               188077086902****#tgpu_ffmpeg_service#LATEST#tgpu_ffmpeg_func
     target:                 1
     current:                1
     scheduledActions:       (empty array)
     targetTrackingPolicies: (empty array)
     currentError:           

8. 调用函数。
   • 查看线上函数版本

     s invoke

   • 使用CPU进行转码

     s invoke -e '{"method":"GET","headers":{"TRANS-MODE":"cpu"}}'

   • 使用GPU进行转码

     s invoke -e '{"method":"GET","headers":{"TRANS-MODE":"gpu"}}'

9. 释放GPU实例。

   s provision put --target 0 --qualifier LATEST

通过函数计算控制台部署GPU应用

1. 部署镜像。
   1. 建容器镜像服务的企业版实例或个人版实例。
      推荐您创建企业版实例。具体操作步骤，请参见创建企业版实例。
   2. 创建命名空间和镜像仓库。
      具体操作步骤，请参见步骤二：创建命名空间和步骤三：创建镜像仓库。
   3. 在容器镜像服务控制台，根据界面提示完成Docker相关操作步骤。然后将上述示例app.py和Dockerfile推送至实例镜像仓库，文件信息，请参见通过ServerlessDevs部署GPU应用时/code目录中的app.py和Dockerfile。
      
2. 创建服务。具体操作步骤，请参见创建服务。
3. 创建函数。具体操作步骤，请参见创建Custom Container函数。
   说明 实例类型选择GPU实例，请求处理程序类型选择处理 HTTP 请求。
4. 修改函数的执行超时时间。
   1. 单击目标服务下目标函数右侧操作列的配置。
   2. 在环境信息区域，修改执行超时时间，然后单击保存。
      
   说明 CPU转码耗时会超过默认的60s，因此建议您修改执行超时时间为较大的值。
5. 配置GPU预留实例。
   1. 在函数详情页面，单击弹性管理页签，然后单击创建规则。
   2. 在创建弹性伸缩限制规则页面，按需配置参数，预留GPU实例，然后单击创建。
      关于配置预留实例的具体操作，请参见配置预留实例。
      配置完成后，您可以在规则列表查看预留的GPU实例是否就绪。即当前预留实例数是否为设置的预留实例数。
6. 使用cURL测试函数。
   1. 在函数详情页面，单击触发器管理页签，查看触发器的配置信息，获取触发器的访问地址。
      
   2. 在命令行执行如下命令，调用GPU函数。
      • 查看线上函数版本

        curl -v "https://tgpu-ff-console-tgpu-ff-console-ajezot****.cn-shenzhen.fcapp.run"
        {"function": "trans_gpu"}

      • 使用CPU进行转码

        curl "https://tgpu-ff-console-tgpu-ff-console-ajezot****.cn-shenzhen.fcapp.run" -H 'TRANS-MODE: cpu'
        {"result": "ok", "upload_time": 8.75510573387146, "download_time": 4.910430669784546, "trans_time": 105.37688875198364}

      • 使用GPU进行转码

        curl "https://tgpu-ff-console-tgpu-ff-console-ajezotchpx.cn-shenzhen.fcapp.run" -H 'TRANS-MODE: gpu'
        {"result": "ok", "upload_time": 8.313958644866943, "download_time": 5.096682548522949, "trans_time": 8.72346019744873}