在 python 中将视频帧的内存缓存设置为循环缓冲区策略的 Celery 任务

Question

我想在 Celery 上构建一个多任务处理管道，并希望多个任务处理同一个视频文件。任务需要共享视频数据。因此，并非每个任务都必须从视频文件中解码和提取帧。视频数据将是提取帧的列表（不需要视频的每一帧）。

是否有有效共享这些帧的解决方案？任务可以在不同的节点上处理。但我不想像 Memcached 或 Redis 那样通过网络共享数据。任务应在 memory/cache 中查找视频数据，如果不存在，则任务应发出另一个任务以加载视频并将帧提取到缓存。

（每个视频文件的生产者和多个消费者）

因此同一 node/machine 上的任务能够共享缓存数据。不同节点上的两个任务通过缓存没有任何好处。

我不想缓存整个提取的视频，必须有一些循环缓冲区缓存。每个视频的缓存具有固定大小，比方说 100 帧。最快和最慢任务之间的差距不能超过 100 帧。 memory/cache.

一共只有100帧

出现两个主要问题：

任务设置

任务 A：从视频中提取帧（制作人 memory/cache）

任务 B1：使用帧并进行实际工作（处理帧）

。 .

任务 Bn：消耗帧并进行实际工作（处理帧）

A, B1 - Bn 运行并联。但是这些任务必须运行在同一个节点上。如果 B taks 分布在不同的节点上，则必须产生另一个 A 任务（每个节点上都有一个任务来解码和提取帧）。你在这里推荐什么方法？什么是最好的选择？
Python缓存

是否有任何缓存 libraries/implementations/solutions 最适合我的用例，可以通过一些循环缓冲区实现在本地机器上缓存大数据？类似于 DiskCache，但能够通过环形缓冲仅缓存 100 帧。

您推荐哪些方法和设计来实现我的用例？我想坚持使用 Celery 进行任务分配。

Answer 1

这可能是我固执的表现，但我一直发现像芹菜这样的项目在多处理（已经很复杂）之上增加了一堆复杂性，比它们的价值更麻烦。从速度和简单性的角度来看，也没有比使用 stdlib 共享内存和互斥锁更好的选择了。

对于您的情况，一个简单的解决方案是为每个进程使用一个 fifo 队列，并将帧放入生产者的每个进程中。如果您为 n 个消费者制作每个帧的 n 个副本，这自然会产生大量内存使用，但是您可能很容易想出一种机制，将帧本身放入 multiprocessing.sharedctypes.Array 并仅传递索引而是通过队列。只要队列的长度被限制为小于缓冲区的长度，就应该限制在缓冲区中覆盖帧，直到它被所有消费者使用为止。如果没有任何同步，这将是靠你的裤子的座位飞行，但一点互斥魔法绝对可以使它成为一个非常强大的解决方案。

例如：

import numpy as np
from time import sleep
from multiprocessing import Process, freeze_support, Queue
from multiprocessing.sharedctypes import Array
from ctypes import c_uint8
from functools import reduce

BUFSHAPE = (10,10,10) #10 10x10 images in buffer

class Worker(Process):
    def __init__(self, q_size, buffer, name=''):
        super().__init__()
        self.queue = Queue(q_size)
        self.buffer = buffer
        self.name = name

    def run(self,): #do work here
        #I hardcoded datatype here. you might need to communicate it to the child process
        buf_arr = np.frombuffer(self.buffer.get_obj(), dtype=c_uint8)
        buf_arr.shape = BUFSHAPE
        while True:
            item = self.queue.get()
            if item == 'done':
                print('child process: {} completed all frames'.format(self.name))
                return
            with self.buffer.get_lock(): #prevent writing while we're reading
                #slice the frame from the array uning the index that was sent
                frame = buf_arr[item%BUFSHAPE[0]] #depending on your use, you may want to make a copy here
            #do some intense processing on `frame`
            sleep(np.random.rand())
            print('child process: {} completed frame: {}'.format(self.name, item))

def main():
    #creating shared array
    buffer = Array(c_uint8, reduce(lambda a,b: a*b, BUFSHAPE))
    #make a numpy.array using that memory location to make it easy to stuff data into it
    buf_arr = np.frombuffer(buffer.get_obj(), dtype=c_uint8)
    buf_arr.shape = BUFSHAPE
    #create a list of workers
    workers = [Worker(BUFSHAPE[0]-2, #smaller queue than buffer to prevent overwriting frames not yet consumed
                      buffer, #pass in shared buffer array
                      str(i)) #numbered child processes
                      for i in range(5)] #5 workers

    for worker in workers: #start the workers
        worker.start()
    for i in range(100): #generate 100 random frames to send to workers
        #insert a frame into the buffer
        with buffer.get_lock(): #prevent reading while we're writing
            buf_arr[i%BUFSHAPE[0]] = np.random.randint(0,255, size=(10,10), dtype=c_uint8)
        #send the frame number to each worker for processing. If the input queue is full, this will block until there's space
        # this is what prevents `buf_arr[i%BUFSHAPE[0]] = np...` from overwriting a frame that hasn't been processed yet
        for worker in workers:
            worker.queue.put(i)
    #when we're done send the 'done' signal so the child processes exit gracefully (or you could make them daemons)
    for worker in workers:
        worker.queue.put('done')
        worker.join()


if __name__ == "__main__":
    freeze_support()
    main()

编辑

某种差一错误要求队列比缓冲区小 2 帧而不是小 1 帧，以防止在其时间之前覆盖帧。

EDIT2 - 第一次编辑的解释：

len(q) = len(buf)-2 的原因似乎是在我们从缓冲区获取帧之前调用了 q.get()，并且在我们尝试将索引推送到队列之前写入了帧本身。如果长度差异仅为 1，则工作人员可能会从队列中拉取帧索引，然后生产者可能会看到它现在可以推送到队列并在工作人员有机会读取帧之前移动到下一帧本身。您可以通过多种不同的方式来处理此问题，这可能会减少始终相互等待的进程，也许可以使用 mp.Event.

在 python 中将视频帧的内存缓存设置为循环缓冲区策略的 Celery 任务

Celery task setup with memory cache for video frames as circular buffer strategy in python

python

caching

video-processing

shared-memory

celery