The tool turns the cameras and detections a customer wants into the hardware to buy. Use the web link; the offline file does the same.
Each detection runs on a share of the cameras, shown as ≈ 10 of 32 cameras. With several sites a typed count applies to each site. Cameras with no detection selected still run intrusion detection, so every camera is counted.
Detections tagged Advanced Vision AI cannot alarm without it. Those tagged Advanced Vision AI optional detect on their own and use Advanced Vision AI to double-check each alarm; untick Verify alarms with Advanced Vision AI to size without that check. We recommend leaving it on, because it cuts false alarms.
Advanced Vision AI can run on some of the analytics machines when their GPU has room, so the plan needs no Advanced Vision AI server; the result then reads Advanced Vision AI runs on 1 of these 4 machines. When every detection that uses Advanced Vision AI only verifies alarms, its hardware reads optional, recommended for alarm verification. A line under What to buy then gives the plan without Advanced Vision AI hardware (Without Advanced Vision AI verification: …), or says Advanced Vision AI verification needs no extra hardware here when that plan buys exactly the same.
The file buttons (New project, Open saved project…, Save project and Export ▾) stay at the top of the page. Below 1,280 px they read New, Open… and Save and Reset all settings reads Reset all; below 1,000 px Reset all and Print scroll away with the page.
When a project has changes not saved to a file, New, Open, an import and both resets ask first: Save first, Replace (or Reset) or Cancel.
Detailed mode adds one For engineers section: codec, scene activity, models, N+1, per-site settings, limits, activity levels, estimate constants and camera groups. Settings it changes keep sizing the plan in Basic, where a banner names them. How the estimate works explains the model.
The How many cameras fit? tab answers the opposite question. Pick a server and the tool says how many cameras of the selected mix it holds.
The tool quotes the hardware that fits at the lowest relative cost. Within 15 % of the cheapest it prefers fewer GPUs and more GPU memory. Two RTX PRO 2000 often cost less than one card that holds the same cameras.
A GPU with at least 16 GB can run Advanced Vision AI beside detection. When the Advanced Vision AI load is light, putting it on one or more analytics machines costs less than an Advanced Vision AI server. Every machine still carries its even share of the cameras.
Every detection in the plan that uses Advanced Vision AI only double-checks its alarms. The plan works without that Advanced Vision AI hardware, with more false alarms. The line under What to buy shows that plan: the parts it buys instead when the machines are the same, or Advanced Vision AI verification needs no extra hardware here when it buys exactly the same.
Detection runs one processing thread per GPU, and workstation processors are faster on one thread. A GPU in a rack server can therefore hold fewer cameras, and a rack build can need more GPUs. From 200 cameras, rack servers appear as an alternative.
It is scaled from hardware we measured, and it holds for the cameras and detections entered. Busy scenes need more hardware than quiet ones. For our team says whether we measured this exact hardware.
A vision-language model that looks at an alarm picture and confirms or describes it.
A workstation or server that runs detection on the cameras. Each GPU runs one analysis process.
The software that stores alarms and serves the web interface. It runs on the first analytics machine of a small location, else on its own server.
A spare machine of each kind, ready to take over when one fails. With several sites there is one at each site and at the data center.
Extra capacity for more cameras or for detections added later, as a share of today's cameras. The hardware is sized for today's cameras plus that share.
Internal reference for engineers. The measurement campaign behind these numbers is docs/reports/hw-sizing/2026-10-13-hw-sizing-campaign.md in the AI Box repository.
One RTX PRO 4000 Blackwell workstation with a Core i9-14900KF: detection, decode, memory and Advanced Vision AI beside detection. On the demo box's 20-camera mix the tool is within 13 % of the measured result.
Other hardware is scaled from that box by public scores: processor speed, GPU throughput and GPU memory bandwidth. Anything scaled is marked Estimated.
Shares of cameras per detection (data/algorithms.json), then scene activity, utilisation limits and storage figures (data/defaults.json). They are our estimates for the team to review.
Only the measured GPU and processor pair, on one GPU, is Measured. Everything else is Estimated, and so is a plan that buys any estimated server.
| Item | Value |
|---|---|
| Reference host | RTX PRO 4000 Blackwell 24 GB, Core i9-14900KF, 64 GB |
| Profile | TensorRT FP16, image size 800, batch 16; standard model small (medium optional) |
| Advanced Vision AI | Qwen3.5-4B-AWQ, p95 latency target 2 s |
| Accuracy | On the demo box's 20-camera mix: −13 % with Advanced Vision AI on its own server, 0 % with Advanced Vision AI on the same GPU (13 cameras, as measured) |
Advanced Vision AI on the measured box's GPU is Measured with no Advanced Vision AI load and from 1 request/s; between them the keep-up figure is interpolated, so it is Estimated, in a plan and under How many cameras fit? alike. An Advanced Vision AI card in the server, Advanced Vision AI servers and management servers are always Estimated.
Scaling: CPU time by single-thread score, decode by multi-thread score per thread, GPU time by FP32 throughput, Advanced Vision AI capacity by memory bandwidth. No correction is applied for server processors beyond that. Only one has been measured, a virtualised Xeon Platinum 8173M, where scaling alone overstated the cameras by a third (campaign report).
Each analytics worker processes its cameras on one thread. A worker fits while its loop stays under 85 % of a second and its GPU time, GPU memory, CPU and RAM stay under their limits.
A camera at s frames per second costs s × (frame time) plus a fixed time per second. The frame time is the base cost at its resolution, one pass per distinct model, and each algorithm's frame cost. Violence detection adds a CLIP call per second, and age/gender a DeepFace call per face per second.
Frame rate. The tool assumes AI Box analyses each camera at most at its detections' acceptable rate, which the Detailed view shows. Today AI Box processes every frame a camera sends (known gap G6), so the sizing holds only for cameras streamed at that rate (known gap G68).
CLIP is loaded only at sites with violence detection, unless the Detailed view sets Always load. The shipped configs/inference.yaml loads it everywhere, so such a deployment sets clip.enable: false where violence detection does not run.
Servers with several GPUs assume the distributed-analytics release: one worker per GPU, cameras spread by count. The tool checks the busiest worker, GPU 0 and the shared CPU and RAM.
A second GPU is often bought for its second worker thread, not for GPU power. Every worker loads the full model set of the site's cameras, and DeepFace always runs on GPU 0. This has not yet run on a real multi-GPU server.
The busiest server or worker holds ⌈N/k⌉ of N cameras over k parts, taken from the most expensive camera groups first. A group's share uses the most cameras it had at any smaller count of the same mix, so a growing site never gets a lighter busiest server.
The shipped per-worker camera limits (for example weapon, uniform and lab PPE: 2; scene activity and wall climbing: 4) are an Advanced Vision AI load guard. The sizing ignores them, and For our team says when the deployment must raise them.
Each detection runs on a share of a site's cameras or on a typed count. Cameras with no detection run intrusion detection.
Shares come from default_share_pct in data/algorithms.json and fill in when a detection is ticked. Detections take consecutive blocks of cameras, wrapping around, so they overlap as little as possible: the safe side.
Growth is extra capacity for more cameras or for detections added later: it grows each site's camera count once, with today's mix. A site's own camera groups (Detailed) share the added cameras by size. A group without its own stream settings takes its site's, and the site's fall back to the project's.
The tool tries every server type, GPU, GPU count and processor, keeps the builds that fit and ranks them by relative cost. Builds within 15 % of the cheapest count as equal; among them it takes the fewest GPUs, then the most GPU memory, then the fewest machines.
data/cost-points.json gives every part a cost in points: unitless, relative to public list figures at one date (the RTX PRO 4500 and 5000 relative to the RTX PRO 4000, from our sales team's figures), and rounded on purpose. A build costs its machines, spares included, each with its parts and a fixed per-machine overhead (space, a network port, installation, support). No cost is shown, exported or printed.
The overhead makes one bigger machine beat two smaller ones sooner. With a spare, 300 cameras become six machines with two RTX PRO 4000 each, not eight with two RTX PRO 2000.
One class per project. Auto picks GeForce for every site when every site fits on one desktop (class_rule.max_consumer_boxes), counting analytics machines only. A forced class that cannot run some site switches the whole project and names the sites.
Rack server (2U, up to 4 GPUs). It is the corporate class narrowed to the 2U rack server (the rack workstation and the 4U server are left out), with RTX PRO cards chosen by the usual ranking and Advanced Vision AI on the same server type as for Corporate; it never switches class, so a site it cannot run is refused, and the Rack servers alternative is hidden because it would repeat the answer. The page tells our team that server processors are slower per core than desktop ones, so detections heavy on the processor can need more GPUs; the customer summary does not.
Camera caps. The GeForce RTX 5050 runs at most 8 cameras (max_cameras). It is a hard limit: its bar reads "7 of 8 cameras allowed", and Utilisation limits has no setting for it.
Alternatives (Basic only, at most three): the cheapest build with fewer GPUs, and the cheapest on fewer machines. From 200 cameras (ranking.rack_alternative_min_cameras) the second is the cheapest rack-server build; when there is none, the slot stays empty (known gap G69). The fewer-GPU and fewer-machine options show only when they are close to the recommendation in cost (ranking.alternative_max_pct), Advanced Vision AI servers at the site included; the rack-server option is a form-factor choice and shows whatever it costs.
Two analysis processes per GPU (estimated). Where the processing loop, not the GPU, is the limit, the last alternative runs 2 analysis processes (analytics workers) on each GPU (workers_per_gpu_max), each with half the GPU's compute and memory and its own processor core. It is chosen as the fewer-GPU option is: the cheapest such build that buys fewer GPUs than the recommendation and is close to it in cost, never when Advanced Vision AI shares the analytics GPU or a measured option already buys no more GPUs.
Two workers on one GPU were measured only for intrusion on the reference RTX PRO 4000: about 1.8 times the cameras of one worker, slightly more than the tool estimates. Nothing else was measured: not other detection mixes, other GPUs (GeForce and RTX PRO alike), Advanced Vision AI cards or a real deployment, so the line stays Estimated (known gap G98). AI Box's supervisor starts one worker per GPU today (it drops a repeated device), so deploying the line needs a supervisor change or workers started by hand, and the notes for our team say so.
The detection loop is single-thread bound, and server processors are slower on one thread than desktop ones. A GPU in a rack server can therefore hold fewer cameras, and the rack build can need more GPUs. The per-machine overhead does not close that gap.
Memory is at least the GPUs' memory and at least what the load needs at the 85 % limit, with every memory channel filled alike. Where several processors fit, the processor and memory with the fewest points win. The processor named is a minimum ("or similar or better" on the cards, "(minimum)" in the CSV headers): one at least as fast on one thread holds as many cameras.
Disks. The system disk holds the OS, container images, models and logs with 2× headroom; a machine that runs Advanced Vision AI also holds the Advanced Vision AI model, and with Advanced Vision AI on some of the analytics machines only those and the spare do. The data disk of the machine that runs management holds the alarm images and the database.
Advanced Vision AI is a vision-language model (VLM): it looks at a camera picture and answers a question about it. Advanced Vision AI can share the GPU of one analytics machine, run on some of a site's analytics machines, use its own GPU in each machine, or run on Advanced Vision AI servers. The tool ranks those placements by the same rule as the builds.
Six detections cannot alarm without Advanced Vision AI: weapon, uniform, lab PPE, scene activity, wall climbing and traffic accident. Four detect alone and use Advanced Vision AI only to verify or label an alarm: fire and smoke, violence, abandoned object and camera tampering (vlm.optional). Verification is a project choice, on by default; turning it off removes that detection's requests.
When every detection that sends Advanced Vision AI requests only verifies alarms, the plan marks its Advanced Vision AI hardware optional, recommended for alarm verification. A line under What to buy shows the plan without it, or says that Advanced Vision AI needs no extra hardware when its bill of materials is the same. When only the parts differ, not the headline, it names them: the GPUs it buys instead, or the parts that differ.
A one-GPU analytics machine whose GPU can share and has at least 16 GB (genai.onbox_min_vram_gb) can run an Advanced Vision AI instance beside detection. The GPU must hold the models and the Advanced Vision AI reservation; the RTX PRO 2000 does at 16 GB.
On N machines with the cameras placed evenly, k of them run an instance. Each machine sends all its requests to one instance, the largest first to the least-loaded one, and no instance may take more than the shared capacity. The tool takes the fewest machines, then the fewest instances; an Advanced Vision AI host carries its full share of the cameras.
Keep-up. While Advanced Vision AI serves on a GPU, detection keeps up with fewer frames per second: measured 272 frames/s with no load, 80 at 1 request/s and 72 at 2 (76 used). The tool uses 76 from 1 request/s and falls linearly from 272 below it, an estimate (known gap G70).
Advanced Vision AI servers at the data center are always the RTX PRO Advanced Vision AI server. Every analytics machine sends its requests to one address, so machines are packed onto GPUs; a machine that needs more than one GPU needs a load balancer. Advanced Vision AI that is selected always gets at least one GPU.
Advanced Vision AI GPUs. The RTX PRO 4000, 4500 and 5000 run Advanced Vision AI on their own GPU, as a card in an analytics machine or in an Advanced Vision AI server; our measured box ran Advanced Vision AI on the RTX PRO 4000, and the others scale from it by memory bandwidth. They are ranked by the same rule as the builds, so a dearer GPU wins only when it is close in cost and needs fewer GPUs or has more memory.
Where Advanced Vision AI runs (several sites) shows the GPU total and the network to the data center both ways. The data center usually saves GPUs when sites are small and many; large sites can share GPUs locally. With fleet configuration on, every node gets the same Advanced Vision AI address, so Advanced Vision AI at each site needs it off.
One location, or a standalone site, of up to 250 cameras runs management on its first analytics machine. Larger locations and the data center of several sites get a small management server.
The first analytics machine already counts the management stack in its RAM and CPU check; it adds the management share of the system disk and the data disks. It has its own bill-of-materials row when its disks differ. When it also hosts Advanced Vision AI, both loads are checked.
The management server is a tower or 1U server with a 2-channel processor and 2 mirrored data disks, sized by camera tiers. N+1 adds a standby only where such a server exists.
A standalone site keeps its own management and Advanced Vision AI. Each site's WAN traffic is alarm images, Advanced Vision AI images when Advanced Vision AI is central, and a heartbeat; raw video never leaves a site.
These are our estimates for the team to review. Detailed mode overrides limits, activity levels and estimate constants for one project.
Analysis rate per detection: Detailed mode can set, per detection, the frames/s it analyses (more than 0, at most 30; blank is the default in data/algorithms.json), in the plan, the reverse tab and the "Analysed at" column. A camera never analyses more than it streams, so a site's or camera group's own stream rate still wins when it is lower. A rate below the default adds a note for our team, never for the customer, that detection quality is not assured.
| Item | Value |
|---|---|
| Utilisation limits | processing 85 %, GPU 85 %, GPU memory 90 %, CPU 75 %, RAM 85 %, Advanced Vision AI 80 %, keep-up 85 % |
| Camera bitrate at 25 fps | 640×480 1.0 Mb/s, 720p 2.0, 1080p 4.0, 4K 16 (H.265: about 60 %, half at 4K), never below 35 % at low frame rates |
| Network | links sized at 60 % load; WAN peak = 4 × average; live view 4.6 Mb/s per watching operator |
| Alarms per camera per day | quiet 2, normal 10, busy 40 activity |
| Alarm image | 640×480 40 KB, 720p 70 KB, 1080p 115 KB, 4K 300 KB; kept 30 days |
| Database | 2 MB per camera per day, kept 365 days |
| Advanced Vision AI image per request | person crop 60 KB, full frame 115 KB |
| Advanced Vision AI on an analytics machine | one-GPU machines with at least 16 GB |
| Hardware class | Auto quotes GeForce while every site fits on one desktop (analytics machines only) |
| Ranking tolerance | builds within 15 % of the cheapest count as costing the same |
| Rack alternative | from 200 cameras, growth included |
| Alternatives | fewer GPUs or fewer machines: shown when close to the recommendation in cost; rack servers: always from 200 cameras |
| Analysis processes per GPU | 1 in the recommendation; 2 in the estimated alternative (workers_per_gpu_max, an estimate: measured only for intrusion on one RTX PRO 4000) |
| Management on the first machine | one location of up to 250 cameras |
| Management server | up to 1,000 cameras: 8 cores, 32 GB; 3,000: 12 cores, 64 GB; 6,000: 16 cores, 64 GB |
Power and rack space, two workers per GPU beyond intrusion on one RTX PRO 4000 (the alternative is an estimate), GPU video decoding, storing alarms at a site during a long outage, and which camera goes to which server.
One row per site with a header row, commas or semicolons. Only site and cameras are required. Download CSV template gives a file to start from.
A list of sites, or an object with a sites list. Each site takes the CSV fields by their internal names.
What Save project writes and Open saved project… reads back: the whole project, settings included.
Column names and values are read the way they appear on screen, in any letter case, with or without accents, spaces or punctuation. Weapon detection, weaponDetection and WEAPON-DETECTION are the same column.
| Column | Required | Values |
|---|---|---|
Site | yes | a unique name (Site name and Name work too) |
Cameras | yes | a whole number, at least 1 |
Resolution | no | Full HD (1080p), Substream (480p, 640×480), HD (720p), 4K (4k) |
Codec | no | H.264 (h264), H.265 (h265, HEVC) |
Activity level | no | Quiet (low), Normal (medium), Busy (high) |
Standalone | no | yes or no (y, true, 1 and n, false, 0 work too): a standalone site keeps its own management and Advanced Vision AI |
Advanced Vision AI | no | where this site's Advanced Vision AI runs: At the data center (central), Automatic (cheapest) (site), On the analytics machines (analytics) or On its own server (server). The data center applies to a site that is not standalone, with several sites; elsewhere it reads as Automatic |
a detection, by its name on screen, for example Weapon detection | no | a share of more than 0 and at most 100 such as 20, 20%, %20 or 12.5 (12,5 in a file separated by semicolons, or quoted as "12,5"), or a camera count such as #15 |
An empty optional cell uses the project setting. When a row fills any detection column, those detections replace the project's detections for that site.
Labels with the id. A value may be written as the list above prints it: Full HD (1080p), Substream (480p), HD (720p), Quiet (low), Normal (medium), Busy (high).
Aliases. Name and Site name for Site; Camera resolution for Resolution; Activity for Activity level; Where Advanced Vision AI runs for Advanced Vision AI; Data center, Automatic, At each site, Analytics machines and Own server for the placements; FHD for Full HD; 640x480 and SD for Substream; HD 720p for HD; UHD and 2160p for 4K; H264 and AVC for H.264; H265 for H.265; Low, Medium and High for the activity levels. Internal detection names (ppeDetection, weaponDetection) still work, and violence detection is agressionDetection or aggressionDetection.
A CSV site list, as the template gives it:
Site,Cameras,Resolution,Standalone,Advanced Vision AI,Weapon detection
Headquarters,400,Full HD,no,,10%
Warehouse,120,,no,,
Branch 1,24,Substream,no,On the analytics machines,#2The same kind of list in JSON, with the internal names (selection: detection id → { "share": 20 } or { "cameras": 15 }):
[
{ "name": "Headquarters", "cameras": 400 },
{ "name": "Branch 1", "cameras": 24, "resolution": "480p", "selection": { "ppeDetection": { "cameras": 4 } } }
]The tool checks the whole file before importing anything and shows the errors next to the import button. Each error names the row (the header is row 1) and the column, for example: sites.csv: row 4, column "cameras": "12a" is not a whole number of cameras of at least 1.
site or cameras column;site and name: the error names both (column "name" repeats column "site"), and nothing is imported;#0), or a count larger than the row's cameras (#30 on a site of 24);12,5 in a file separated by commas (the error names the row: more cells than the header (4 of 3)); empty trailing cells are fine;If the current project has changes not saved to a file, the page asks before the import replaces its sites.
Save project writes "format": "aibox-hw-sizing-project" and "version": 2, then the name, layout, settings, mix, sites and Detailed settings. A file that is not a project or a site list says so; a file from a newer version of the tool is refused.
settings.genaiVerification: optional Advanced Vision AI verification per detection, { "fireDetection": false }. Only fire and smoke, violence detection, abandoned object and camera tampering are listed; a missing detection means verification is on.advanced.estimates: overrides of the estimate constants under disk, network and bitrate_mbps, by their path in data/defaults.json, for example { "disk": { "image_retention_days": 60 } }. Each must be a positive number; the network link load is at most 1.A project file with a setting that cannot hold is refused with a message such as Weapon detection always needs Advanced Vision AI; it cannot be turned off. An estimate override that is not a number in the defaults is refused: advanced.estimates.disk.x: unknown setting.
A cell that starts with =, +, - or @ gets a leading ', so a spreadsheet never runs it as a formula.
Araç, müşterinin istediği kameraları ve tespitleri satın alınacak donanıma dönüştürür. Web bağlantısını kullanın; çevrimdışı dosya da aynısını yapar.
Her tespit kameraların bir oranında çalışır ve bu oran ≈ 10 (toplam 32 kamera) biçiminde gösterilir. Birden çok lokasyonda yazılan kamera sayısı her lokasyon için ayrı ayrı geçerlidir. Hiçbir tespit seçilmemiş kameralarda yine de izinsiz giriş tespiti çalışır; böylece her kamera hesaba katılır.
Gelişmiş Görsel Yapay Zekâ etiketli tespitler onsuz alarm veremez. Gelişmiş Görsel Yapay Zekâ isteğe bağlı etiketli tespitler kendi başlarına tespit yapar ve her alarmı ikinci kez kontrol etmek için Gelişmiş Görsel Yapay Zekâ kullanır; bu kontrol olmadan boyutlandırmak için Alarmları Gelişmiş Görsel Yapay Zekâ ile doğrula işaretini kaldırın. Yanlış alarmları azalttığı için bu işareti açık bırakmanızı öneririz.
Analiz makinelerinin GPU'larında yer varsa Gelişmiş Görsel Yapay Zekâ bu makinelerin bazılarında çalışabilir; bu durumda plan Gelişmiş Görsel Yapay Zekâ sunucusu gerektirmez ve sonuçta Gelişmiş Görsel Yapay Zekâ bu 4 makinenin 1 tanesinde çalışır ifadesi görünür. Gelişmiş Görsel Yapay Zekâ kullanan her tespit yalnızca alarm doğruluyorsa, bu donanımın yanında isteğe bağlı, alarm doğrulaması için önerilir yazar. Bu durumda Satın alınacaklar altındaki bir satır, Gelişmiş Görsel Yapay Zekâ donanımı olmayan planı verir (Gelişmiş Görsel Yapay Zekâ doğrulaması olmadan: …) ya da bu plan tamamen aynı donanımı içeriyorsa Gelişmiş Görsel Yapay Zekâ doğrulaması burada ek donanım gerektirmez der.
Dosya düğmeleri (Yeni proje, Kayıtlı projeyi aç…, Projeyi kaydet ve Dışa aktar ▾) sayfanın üstünde kalır. 1.280 pikselin altında bu düğmeler Yeni, Aç… ve Kaydet olarak kısalır, Tüm ayarları sıfırla da Sıfırla olur; 1.000 pikselin altında Sıfırla ve Yazdır sayfayla birlikte kayar.
Projede dosyaya kaydedilmemiş değişiklikler varsa Yeni, Aç, içe aktarma ve iki sıfırlama işlemi önce sorar: Önce kaydet, Değiştir (ya da Sıfırla) veya Vazgeç.
Ayrıntılı görünüm tek bir Mühendisler için bölümü ekler: kodek, sahne hareketliliği, modeller, N+1, lokasyona özel ayarlar, sınırlar, hareketlilik düzeyleri, tahmin sabitleri ve kamera grupları. Burada değiştirilen ayarlar Temel görünümde de planı boyutlandırmaya devam eder ve Temel görünümdeki bir uyarı bandı bu ayarları listeler. Tahmin nasıl yapılır kılavuzu modeli açıklar.
Kaç kamera destekler? sekmesi tersi soruyu yanıtlar. Bir sunucu seçin; araç, seçili tespit dağılımıyla kaç kamera taşıyabileceğini söyler.
Araç, sığan donanımlar arasından göreli olarak en ekonomik olanı önerir. En ekonomik seçenekten en fazla %15 yüksek olan seçenekler arasında daha az GPU'yu ve daha fazla GPU belleğini tercih eder. İki RTX PRO 2000 çoğu zaman aynı kameraları taşıyan tek bir karttan daha ekonomiktir.
En az 16 GB belleği olan bir GPU'da Gelişmiş Görsel Yapay Zekâ tespitin yanında çalışabilir. Gelişmiş Görsel Yapay Zekâ yükü hafifse, onu bir ya da birkaç analiz makinesinde çalıştırmak bir Gelişmiş Görsel Yapay Zekâ sunucusundan daha ekonomiktir. Her makine yine diğerleriyle eşit sayıda kamera taşır.
Plandaki tespitlerden Gelişmiş Görsel Yapay Zekâ kullananların hepsi yalnızca kendi alarmlarını ikinci kez kontrol eder. Plan bu Gelişmiş Görsel Yapay Zekâ donanımı olmadan da çalışır, ancak yanlış alarm sayısı artar. Satın alınacaklar altındaki satır bu planı gösterir: makineler aynıysa bunun yerine alınacak parçaları, tamamen aynı donanımı içeriyorsa Gelişmiş Görsel Yapay Zekâ doğrulaması burada ek donanım gerektirmez iletisini.
Tespit, GPU başına tek bir işlem iş parçacığı çalıştırır ve iş istasyonu işlemcileri tek iş parçacığında daha hızlıdır. Bu yüzden rack sunucudaki bir GPU daha az kamera taşıyabilir ve rack kurulum daha fazla GPU gerektirebilir. 200 kameradan itibaren rack sunucular bir alternatif olarak görünür.
Tahmin, ölçtüğümüz donanımdan ölçeklendirilir ve girilen kameralar ile tespitler için geçerlidir. Yoğun sahneler sakin sahnelerden daha fazla donanım gerektirir. Ekibimiz için notları, bu donanımın birebir aynısını ölçüp ölçmediğimizi söyler.
Bir alarm görüntüsüne bakıp alarmı doğrulayan ya da tarif eden bir görsel-dil modeli.
Kameralarda tespiti çalıştıran bir iş istasyonu ya da sunucu. Her GPU bir analiz süreci çalıştırır.
Alarmları saklayan ve web arayüzünü sunan yazılım. Küçük bir lokasyonda ilk analiz makinesinde, aksi hâlde kendi sunucusunda çalışır.
Her türden, bir makine arızalandığında devreye girmeye hazır birer yedek makine. Birden çok lokasyonda her lokasyonda ve veri merkezinde birer yedek bulunur.
Daha fazla kamera ya da sonradan eklenecek tespitler için, bugünkü kameraların bir oranı olarak ek kapasite. Donanım, bugünkü kameralara bu oran eklenerek boyutlandırılır.
Mühendisler için iç başvuru belgesi. Bu sayıların dayandığı ölçüm kampanyası, AI Box deposundaki docs/reports/hw-sizing/2026-10-13-hw-sizing-campaign.md dosyasındadır.
Core i9-14900KF işlemcili tek bir RTX PRO 4000 Blackwell iş istasyonu: tespit, kod çözme, bellek ve tespitin yanında Gelişmiş Görsel Yapay Zekâ. Demo kutusunun 20 kameralık dağılımında araç, ölçülen sonuçtan en fazla %13 sapar.
Diğer donanımlar bu kutudan genel puanlarla ölçeklendirilir: işlemci hızı, GPU işlem gücü ve GPU bellek bant genişliği. Ölçeklendirilen her şey Tahmini olarak işaretlenir.
Tespit başına kamera oranları (data/algorithms.json), ardından sahne hareketliliği, kullanım sınırları ve depolama değerleri (data/defaults.json). Bunlar ekibin gözden geçirmesi için tahminlerimizdir.
Yalnızca ölçülen GPU ve işlemci çifti, tek GPU ile, Ölçülen sayılır. Diğer her şey Tahmini sayılır; tahmini bir sunucu içeren plan da öyle.
| Öğe | Değer |
|---|---|
| Referans makine | RTX PRO 4000 Blackwell 24 GB, Core i9-14900KF, 64 GB |
| Profil | TensorRT FP16, görüntü boyutu 800, batch 16; standart model küçük (orta isteğe bağlı) |
| Gelişmiş Görsel Yapay Zekâ | Qwen3.5-4B-AWQ, p95 gecikme hedefi 2 sn |
| Doğruluk | Demo kutusunun 20 kameralık dağılımında: Gelişmiş Görsel Yapay Zekâ kendi sunucusundayken −%13, aynı GPU'dayken %0 (ölçüldüğü gibi 13 kamera) |
Ölçülen kutunun GPU'sunda Gelişmiş Görsel Yapay Zekâ, yük yokken ve saniyede 1 istekten itibaren Ölçülen'dir; bu ikisi arasında yetişme değeri ara değerlemeyle bulunur, dolayısıyla hem planda hem Kaç kamera destekler? sekmesinde Tahmini'dir. Sunucudaki bir Gelişmiş Görsel Yapay Zekâ kartı, Gelişmiş Görsel Yapay Zekâ sunucuları ve yönetim sunucuları her zaman Tahmini'dir.
Ölçekleme: CPU süresi tek iş parçacığı puanıyla, kod çözme iş parçacığı başına çok iş parçacığı puanıyla, GPU süresi FP32 işlem gücüyle, Gelişmiş Görsel Yapay Zekâ kapasitesi bellek bant genişliğiyle ölçeklenir. Sunucu işlemcileri için bunun ötesinde bir düzeltme uygulanmaz. Yalnızca biri ölçüldü, sanallaştırılmış bir Xeon Platinum 8173M; orada ölçekleme tek başına kamera sayısını üçte bir fazla gösterdi (kampanya raporu).
Her analiz işçisi kameralarını tek bir iş parçacığında işler. Bir işçi, döngüsü saniyenin %85'inin altında kaldıkça ve GPU süresi, GPU belleği, CPU ve RAM kendi sınırlarının altında kaldıkça sığar.
Saniyede s kare analiz edilen bir kamera, s × (kare süresi) artı saniye başına sabit bir süre yük getirir. Kare süresi, çözünürlüğündeki temel yükün, her farklı model için bir geçişin ve her algoritmanın kare yükünün toplamıdır. Şiddet tespiti saniyede bir CLIP çağrısı, yaş/cinsiyet ise yüz başına saniyede bir DeepFace çağrısı ekler.
Kare hızı. Araç, AI Box'un her kamerayı en fazla tespitlerinin kabul edilebilir hızında analiz ettiğini varsayar; Ayrıntılı görünüm bu hızı gösterir. Bugün AI Box kameranın gönderdiği her kareyi işler (bilinen eksik G6); bu yüzden boyutlandırma yalnızca bu hızda yayın yapan kameralar için geçerlidir (bilinen eksik G68).
CLIP yalnızca şiddet tespiti olan lokasyonlarda yüklenir; Ayrıntılı görünümde Her zaman yükle seçilirse her yerde yüklenir. Dağıtımla gelen configs/inference.yaml CLIP'i her yerde yükler; bu yüzden böyle bir kurulumda şiddet tespiti çalışmayan yerlerde clip.enable: false ayarlanır.
Birden çok GPU'lu sunucularda dağıtık analiz sürümü varsayılır: GPU başına bir işçi, kameralar sayıya göre dağıtılır. Araç en yoğun işçiyi, GPU 0'ı ve ortak CPU ile RAM'i denetler.
İkinci bir GPU çoğu zaman GPU gücü için değil, ikinci işçi iş parçacığı için alınır. Her işçi, lokasyondaki kameraların tüm model setini yükler ve DeepFace her zaman GPU 0 üzerinde çalışır. Bu düzen henüz gerçek bir çok GPU'lu sunucuda çalıştırılmadı.
En yoğun sunucu ya da işçi, k parçaya bölünen N kameranın ⌈N/k⌉ tanesini taşır; kameralar en ağır kamera gruplarından başlanarak alınır. Bir grubun en yoğun parçadaki kamera sayısı, aynı dağılımın daha küçük herhangi bir toplamında aldığı en yüksek sayıdır; böylece büyüyen bir lokasyonun en yoğun sunucusu hiçbir zaman hafiflemez.
Dağıtımla gelen işçi başına kamera sınırları (örneğin silah, üniforma ve laboratuvar KKD için 2; sahne hareketliliği ve duvara tırmanma için 4) bir Gelişmiş Görsel Yapay Zekâ yük korumasıdır. Boyutlandırma bunları yok sayar; kurulumda yükseltilmeleri gerektiğinde Ekibimiz için notları bunu belirtir.
Her tespit, bir lokasyonun kameralarının bir oranında ya da yazılan sayıda kamerada çalışır. Tespiti olmayan kameralarda izinsiz giriş tespiti çalışır.
Oranlar data/algorithms.json içindeki default_share_pct değerinden gelir ve bir tespit işaretlendiğinde doldurulur. Tespitler, sona gelince başa dönerek ardışık kamera bloklarını alır; böylece olabildiğince az örtüşürler, bu da güvenli tarafta kalmaktır.
Büyüme, daha fazla kamera ya da sonradan eklenecek tespitler için ek kapasitedir: her lokasyonun kamera sayısını bugünkü dağılımla bir kez büyütür. Bir lokasyonun kendi kamera grupları (Ayrıntılı) eklenen kameraları büyüklüklerine göre paylaşır. Kendi akış ayarları olmayan bir grup lokasyonunun ayarlarını, lokasyon da projenin ayarlarını kullanır.
Araç her sunucu tipini, GPU'yu, GPU sayısını ve işlemciyi dener, sığan kurulumları tutar ve onları göreli puanlarına göre sıralar. Puanı en düşük puandan en fazla %15 yüksek olan kurulumlar eşit sayılır; bunlar arasında en az GPU'lu, sonra en çok GPU belleği olan, sonra en az makineli kurulum seçilir.
data/cost-points.json her parçaya puan olarak bir değer verir: birimsiz, tek bir tarihteki genel liste değerlerine göreli (RTX PRO 4500 ve 5000, satış ekibimizin verilerinden RTX PRO 4000'e göreli) ve bilerek yuvarlanmış. Bir kurulumun puanı, yedekler dahil makinelerinin toplamıdır; her makine parçalarını ve makine başına sabit bir ek yükü (yer, bir ağ portu, kurulum, destek) taşır. Hiçbir puan gösterilmez, dışa aktarılmaz ya da yazdırılmaz.
Ek yük, tek büyük makinenin iki küçük makineyi daha erken geçmesini sağlar. Yedekle birlikte 300 kamera, iki RTX PRO 2000'li sekiz makine yerine iki RTX PRO 4000'li altı makine olur.
Proje başına tek sınıf. Otomatik, yalnızca analiz makineleri sayıldığında her lokasyon tek bir masaüstüne sığıyorsa (class_rule.max_consumer_boxes) her lokasyon için GeForce seçer. Zorlanan bir sınıf bazı lokasyonları çalıştıramazsa projenin tamamı diğer sınıfa geçer ve bu lokasyonlar adlarıyla belirtilir.
Rack sunucu (2U, en fazla 4 GPU). Kurumsal sınıfın 2U rack sunucuyla sınırlanmış hâlidir (rack iş istasyonu ve 4U sunucu dışarıda kalır); GPU'lar her zamanki sıralamayla RTX PRO'dan seçilir ve Gelişmiş Görsel Yapay Zekâ kurumsal sınıftakiyle aynı sunucu tipinde çalışır; sınıf hiç değişmez, bu yüzden çalıştıramadığı bir lokasyon reddedilir ve Rack sunucular alternatifi yanıtı yineleyeceği için gizlenir. Sayfa ekibimize sunucu işlemcilerinin çekirdek başına masaüstü işlemcilerden yavaş olduğunu, bu yüzden işlemciyi çok yoran tespitlerin daha fazla GPU gerektirebileceğini söyler; müşteri özeti söylemez.
Kamera sınırları. GeForce RTX 5050 en fazla 8 kamera çalıştırır (max_cameras). Bu kesin bir sınırdır: çubuğunda "7 / 8 kamera (izin verilen)" yazar ve Kullanım sınırları altında bunun için bir ayar yoktur.
Alternatifler (yalnızca Temel görünümde, en fazla üç): daha az GPU'lu en düşük puanlı kurulum ve daha az makineli en düşük puanlı kurulum. 200 kameradan itibaren (ranking.rack_alternative_min_cameras) ikincisi en düşük puanlı rack sunucu kurulumudur; hiç yoksa yeri boş kalır (bilinen eksik G69). Daha az GPU'lu ve daha az makineli seçenekler, lokasyondaki Gelişmiş Görsel Yapay Zekâ sunucuları dahil, yalnızca puanca öneriye yakın olduklarında (ranking.alternative_max_pct) gösterilir; rack sunucu seçeneği bir biçim faktörü seçimidir ve puanı ne olursa olsun gösterilir.
GPU başına iki analiz süreci (tahmini). Sınırı GPU'nun değil işleme döngüsünün belirlediği yerde son alternatif her GPU'da 2 analiz süreci (analiz işçisi) çalıştırır (workers_per_gpu_max); her süreç GPU'nun işlem gücünün ve belleğinin yarısını ve kendi işlemci çekirdeğini alır. Daha az GPU'lu seçenek gibi seçilir: öneriden toplamda daha az GPU gerektiren ve puanca öneriye yakın olan en düşük puanlı kurulum gösterilir; Gelişmiş Görsel Yapay Zekâ analiz GPU'sunu paylaştığında ya da ölçülmüş bir seçenek zaten daha fazla GPU gerektirmediğinde hiç gösterilmez.
Tek GPU'da iki işçi yalnızca referans RTX PRO 4000 üzerinde izinsiz giriş tespiti için ölçüldü: bir işçinin yaklaşık 1,8 katı kamera, aracın tahmininden biraz fazla. Başka hiçbir şey ölçülmedi: ne diğer tespit dağılımları, ne diğer GPU'lar (GeForce da RTX PRO da), ne Gelişmiş Görsel Yapay Zekâ kartları ne de gerçek bir kurulum; bu yüzden alternatif Tahmini kalır (bilinen eksik G98). AI Box'ın supervisor'ı bugün GPU başına bir işçi başlatır (tekrarlanan bir cihazı atlar); bu yüzden alternatifin kurulumu için supervisor'da bir değişiklik ya da elle başlatılan işçiler gerekir ve ekibimiz için notlar bunu belirtir.
Tespit döngüsü tek iş parçacığına bağlıdır ve sunucu işlemcileri tek iş parçacığında masaüstü işlemcilerden yavaştır. Bu yüzden rack sunucudaki bir GPU daha az kamera taşıyabilir ve rack kurulum daha fazla GPU gerektirebilir. Makine başına ek yük bu farkı kapatmaz.
Bellek, en az GPU'ların belleği kadar ve en az yükün %85 sınırında gerektirdiği kadardır; her bellek kanalı eşit doldurulur. Birden çok işlemci sığdığında en az puanlı işlemci ve bellek kazanır. Belirtilen işlemci en düşük gereksinimdir (kartlarda "veya muadili ya da üstü", CSV başlıklarında "(en az)"): tek iş parçacığında en az onun kadar hızlı bir işlemci aynı sayıda kamerayı taşır.
Diskler. Sistem diski işletim sistemini, konteyner imajlarını, modelleri ve günlükleri 2 kat yer ayırarak tutar; Gelişmiş Görsel Yapay Zekâ çalıştıran bir makine Gelişmiş Görsel Yapay Zekâ modelini de tutar ve Gelişmiş Görsel Yapay Zekâ analiz makinelerinin bazılarında çalışıyorsa modeli yalnızca bu makineler ve yedek tutar. Yönetimi çalıştıran makinenin veri diski alarm görüntülerini ve veritabanını tutar.
Gelişmiş Görsel Yapay Zekâ bir görsel-dil modelidir (VLM): bir kamera görüntüsüne bakar ve onunla ilgili bir soruyu yanıtlar. Gelişmiş Görsel Yapay Zekâ bir analiz makinesinin GPU'sunu paylaşabilir, bir lokasyonun analiz makinelerinin bazılarında çalışabilir, her makinede kendi GPU'sunu kullanabilir ya da Gelişmiş Görsel Yapay Zekâ sunucularında çalışabilir. Araç bu yerleşimleri kurulumlarla aynı kuralla sıralar.
Altı tespit Gelişmiş Görsel Yapay Zekâ olmadan alarm veremez: silah, üniforma, laboratuvar KKD, sahne hareketliliği, duvara tırmanma ve trafik kazası. Yangın ve duman, şiddet, sahipsiz nesne ve kamera sabotajı ise tek başına tespit yapar; Gelişmiş Görsel Yapay Zekâ bunlarda yalnızca bir alarmı doğrular ya da etiketler (vlm.optional). Doğrulama bir proje seçimidir ve varsayılan olarak açıktır; kapatmak o tespitin isteklerini kaldırır.
Gelişmiş Görsel Yapay Zekâ isteği gönderen her tespit yalnızca alarm doğruluyorsa, plan Gelişmiş Görsel Yapay Zekâ donanımını isteğe bağlı, alarm doğrulaması için önerilir olarak işaretler. Satın alınacaklar altındaki bir satır planı bu donanım olmadan gösterir ya da malzeme listesi aynıysa Gelişmiş Görsel Yapay Zekâ doğrulamasının ek donanım gerektirmediğini söyler. Başlık değil de yalnızca parçalar farklıysa bunları adlandırır: bunun yerine alınacak GPU'ları ya da farklı olan parçaları.
GPU'su paylaşıma uygun ve en az 16 GB belleği olan (genai.onbox_min_vram_gb) tek GPU'lu bir analiz makinesi, tespitin yanında bir Gelişmiş Görsel Yapay Zekâ örneği çalıştırabilir. GPU, modelleri ve Gelişmiş Görsel Yapay Zekâ için ayrılan belleği taşımalıdır; RTX PRO 2000 bunu 16 GB ile yapar.
Kameraları eşit dağıtılmış N makinenin k tanesi birer örnek çalıştırır. Her makine tüm isteklerini tek bir örneğe gönderir, en büyük yük önce en az yüklü örneğe gider ve hiçbir örnek ortak kapasiteden fazlasını alamaz. Araç en az makineyi, sonra en az örneği seçer; Gelişmiş Görsel Yapay Zekâ çalıştıran bir makine de diğerleriyle aynı sayıda kamera taşır.
Yetişme. Gelişmiş Görsel Yapay Zekâ bir GPU'da hizmet verirken tespit saniyede daha az kareye yetişir: yük yokken 272 kare/sn, saniyede 1 istekte 80 ve 2 istekte 72 ölçüldü (76 kullanılır). Araç saniyede 1 istekten itibaren 76 kullanır, bunun altında 272'den doğrusal olarak düşer; bu bir tahmindir (bilinen eksik G70).
Veri merkezindeki Gelişmiş Görsel Yapay Zekâ sunucuları her zaman RTX PRO Gelişmiş Görsel Yapay Zekâ sunucusudur. Her analiz makinesi isteklerini tek bir adrese gönderir, bu yüzden makineler GPU'lara paketlenir; birden fazla GPU gerektiren bir makine için bir yük dengeleyici gerekir. Seçilen Gelişmiş Görsel Yapay Zekâ her zaman en az bir GPU alır.
Gelişmiş Görsel Yapay Zekâ GPU'ları. RTX PRO 4000, 4500 ve 5000 kartlarında Gelişmiş Görsel Yapay Zekâ, bir analiz makinesinde ya da bir Gelişmiş Görsel Yapay Zekâ sunucusunda, kendi GPU'sunda çalışır; ölçtüğümüz kutuda RTX PRO 4000 üzerinde çalıştı, diğerleri ondan bellek bant genişliğiyle ölçeklenir. Kurulumlarla aynı kuralla sıralanırlar; daha yüksek puanlı bir GPU yalnızca puanca yakınsa ve daha az GPU gerektiriyor ya da daha fazla belleğe sahipse kazanır.
Gelişmiş Görsel Yapay Zekâ'nın çalıştığı yer (birden çok lokasyon) toplam GPU sayısını ve veri merkezine iki yönlü ağı gösterir. Lokasyonlar küçük ve çoksa veri merkezi genellikle GPU tasarrufu sağlar; büyük lokasyonlar GPU'ları yerinde paylaşabilir. Filo yapılandırması açıkken her düğüm aynı Gelişmiş Görsel Yapay Zekâ adresini alır; bu yüzden her lokasyonda Gelişmiş Görsel Yapay Zekâ için filo yapılandırması kapalı olmalıdır.
En fazla 250 kameralı tek bir lokasyon ya da bağımsız bir lokasyon, yönetimi ilk analiz makinesinde çalıştırır. Daha büyük lokasyonlar ve birden çok lokasyonlu projelerin veri merkezi küçük bir yönetim sunucusu alır.
İlk analiz makinesi, yönetim yazılımını RAM ve CPU denetiminde zaten hesaba katar; sistem diskine yönetim için gereken alanı ve veri disklerini ekler. Diskleri farklıysa malzeme listesinde kendi satırı olur. Gelişmiş Görsel Yapay Zekâ da bu makinede çalışıyorsa her iki yük de denetlenir.
Yönetim sunucusu, 2 kanallı bir işlemcisi ve 2 aynalanmış veri diski olan bir kule ya da 1U sunucudur; kamera kademelerine göre boyutlandırılır. N+1, yalnızca böyle bir sunucunun bulunduğu yerde bir yedek ekler.
Bağımsız lokasyon kendi yönetimini ve Gelişmiş Görsel Yapay Zekâ donanımını barındırır. Her lokasyonun WAN trafiği; alarm görüntülerinden, Gelişmiş Görsel Yapay Zekâ merkezdeyse Gelişmiş Görsel Yapay Zekâ görüntülerinden ve bir yaşam sinyalinden (heartbeat) oluşur; ham video hiçbir zaman lokasyondan çıkmaz.
Bunlar ekibin gözden geçirmesi için tahminlerimizdir. Ayrıntılı görünüm sınırları, hareketlilik düzeylerini ve tahmin sabitlerini tek bir proje için geçersiz kılar.
Tespit başına analiz hızı: Ayrıntılı görünüm her tespit için analiz edilen kare/sn değerini ayarlayabilir (0'dan büyük, en fazla 30; boş bırakılırsa data/algorithms.json içindeki varsayılan); bu değer planda, Kaç kamera destekler? sekmesinde ve "Analiz hızı" sütununda kullanılır. Bir kamera yayın yaptığından fazlasını hiçbir zaman analiz etmez; bu yüzden bir lokasyonun ya da kamera grubunun kendi akış hızı daha düşükse o geçerli olur. Varsayılanın altındaki bir hız, tespit kalitesinin garanti edilmediğine dair bir not ekler; bu not yalnızca ekibimiz içindir, müşteriye hiçbir zaman gösterilmez.
| Öğe | Değer |
|---|---|
| Kullanım sınırları | işleme %85, GPU %85, GPU belleği %90, CPU %75, RAM %85, Gelişmiş Görsel Yapay Zekâ %80, yetişme %85 |
| 25 kare/sn için kamera bit hızı | 640×480 1,0 Mb/s, 720p 2,0, 1080p 4,0, 4K 16 (H.265: yaklaşık %60, 4K'da yarısı); düşük kare hızlarında hiçbir zaman %35'in altına inmez |
| Ağ | bağlantılar %60 yükle boyutlandırılır; WAN en yüksek = 4 × ortalama; canlı izleme, izleyen her operatör için 4,6 Mb/s |
| Kamera başına günlük alarm | sakin 2, normal 10, yoğun 40 |
| Alarm görüntüsü | 640×480 40 KB, 720p 70 KB, 1080p 115 KB, 4K 300 KB; 30 gün saklanır |
| Veritabanı | kamera başına günde 2 MB, 365 gün saklanır |
| İstek başına Gelişmiş Görsel Yapay Zekâ görüntüsü | kişi kırpması 60 KB, tam kare 115 KB |
| Analiz makinesinde Gelişmiş Görsel Yapay Zekâ | en az 16 GB belleği olan tek GPU'lu makineler |
| Donanım sınıfı | Otomatik, her lokasyon tek bir masaüstüne sığdıkça GeForce önerir (yalnızca analiz makineleri sayılır) |
| Sıralama toleransı | puanı en düşük puandan en fazla %15 yüksek olan kurulumlar eşit sayılır |
| Rack alternatifi | büyüme dahil 200 kameradan itibaren |
| Alternatifler | daha az GPU ya da daha az makine: puanca öneriye yakın olduğunda gösterilir; rack sunucular: 200 kameradan itibaren her zaman |
| GPU başına analiz süreci | öneride 1; tahmini alternatifte 2 (workers_per_gpu_max, bir tahmin: yalnızca bir RTX PRO 4000 üzerinde izinsiz giriş tespiti için ölçüldü) |
| İlk makinede yönetim | en fazla 250 kameralı tek lokasyon |
| Yönetim sunucusu | 1.000 kameraya kadar: 8 çekirdek, 32 GB; 3.000: 12 çekirdek, 64 GB; 6.000: 16 çekirdek, 64 GB |
Güç ve rack alanı, bir RTX PRO 4000 üzerindeki izinsiz giriş tespiti dışında GPU başına iki analiz süreci (alternatif bir tahmindir), GPU ile video kod çözme, uzun bir kesinti sırasında alarmların lokasyonda saklanması ve hangi kameranın hangi sunucuya gideceği.
Başlık satırının altında her lokasyon için bir satır; alanlar noktalı virgülle ya da virgülle ayrılır. Yalnızca Lokasyon ve Kamera sütunları zorunludur. CSV şablonu düğmesi, başlamanız için bir dosya verir.
Bir lokasyon listesi ya da sites listesi içeren bir nesne. Her lokasyon, CSV alanlarını iç adlarıyla alır.
Projeyi kaydet düğmesinin yazdığı ve Kayıtlı projeyi aç… düğmesinin geri okuduğu dosya: ayarlar dahil projenin tamamı.
Sütun adları ve değerler ekranda göründükleri gibi okunur; büyük-küçük harf, Türkçe karakterler ve aksanlar, boşluklar ve noktalama fark etmez. Silah tespiti, SİLAH-TESPİTİ ve silah tespiti aynı sütundur. Türkçe ve İngilizce adlar her iki dilde de okunur: Kamera ile Cameras da aynı sütundur.
| Sütun | Zorunlu | Değerler |
|---|---|---|
Lokasyon | evet | benzersiz bir ad (Lokasyon adı, Ad ve İsim de kullanılabilir) |
Kamera | evet | en az 1 olan bir tam sayı (Kameralar ve Kamera sayısı da kullanılabilir) |
Çözünürlük | hayır | Full HD (1080p), Alt akış (480p, 640×480), HD (720p), 4K (4k) |
Kodek | hayır | H.264 (h264), H.265 (h265, HEVC) |
Hareketlilik düzeyi | hayır | Sakin (low), Normal (medium), Yoğun (high) |
Bağımsız | hayır | evet ya da hayır (e ve h ile İngilizce yes, y, true, 1 ve no, n, false, 0 da kullanılabilir): bağımsız bir lokasyon kendi yönetimini ve Gelişmiş Görsel Yapay Zekâ donanımını barındırır |
Gelişmiş Görsel Yapay Zekâ | hayır | bu lokasyonda Gelişmiş Görsel Yapay Zekâ'nın çalıştığı yer: Veri merkezinde (central), Otomatik (en ekonomik) (site), Analiz makinelerinde (analytics) ya da Kendi sunucusunda (server). Veri merkezi, birden çok lokasyonlu bir projede bağımsız olmayan bir lokasyon için geçerlidir; başka durumlarda Otomatik olarak okunur |
ekrandaki adıyla bir tespit, örneğin Silah tespiti | hayır | 0'dan büyük, en fazla 100 olan bir oran: 20, %20, 20% ya da 12,5 gibi (virgülle ayrılmış bir dosyada 12.5 ya da tırnak içinde "12,5"), ya da #15 gibi bir kamera sayısı |
Boş bırakılan isteğe bağlı bir hücre proje ayarını kullanır. Bir satır herhangi bir tespit sütununu doldurduğunda, o lokasyon için bu tespitler projenin tespitlerinin yerini alır.
Türkçe sayfa CSV dosyalarını, Türkçe Excel'in beklediği gibi noktalı virgülle (;) ayırarak yazar; içe aktarma her iki ayırıcıyı da okur ve başlık satırında hangisi daha çoksa onu kullanır. Noktalı virgülle ayrılmış bir dosyada ondalık sayılar virgülle (12,5) yazılabilir; virgülle ayrılmış bir dosyada 12.5 yazın ya da hücreyi tırnak içine alın ("12,5"), yoksa satırda başlıktan fazla hücre olur ve içe aktarma bu satırı hata olarak gösterir. Oranlar her dosyada %20 biçiminde de yazılabilir.
Sayfanın kaydettiği CSV dosyaları bir UTF-8 BOM ile başlar; böylece Excel ş, ğ, İ ve × gibi karakterleri doğru gösterir. İçe aktarma BOM'lu ve BOM'suz dosyaları aynı şekilde okur. Dosyayı UTF-8 olarak kaydedin.
Kimlikli etiketler. Bir çözünürlük kimliğiyle birlikte (Full HD (1080p), Alt akış (480p), HD (720p)), bir hareketlilik düzeyi de Türkçe karşılığıyla birlikte (Sakin (düşük), Normal (orta), Yoğun (yüksek)) yazılabilir. Sakin (low) gibi karışık yazımlar okunmaz; İngilizce Quiet (low) ise okunur.
Takma adlar. Lokasyon için Lokasyon adı, Ad ve İsim; Kamera için Kameralar ve Kamera sayısı; Çözünürlük için Kamera çözünürlüğü; Hareketlilik düzeyi için Hareketlilik; Gelişmiş Görsel Yapay Zekâ için Gelişmiş Görsel Yapay Zekâ'nın çalıştığı yer; yerleşimler için Veri merkezi, Otomatik, Her lokasyonda, Analiz makineleri ve Kendi sunucusu; Full HD için Full HD (ana akış) ve FHD; alt akış için Alt akış (640×480), 640×480 (alt akış), 640x480 ve SD; HD için HD 720p; 4K için UHD ve 2160p; H.264 için H264 ve AVC; H.265 için H265; hareketlilik düzeyleri için Düşük, Orta ve Yüksek. Bu adlar İngilizce sayfada da okunur.
İngilizce adlar. İngilizce sayfanın okuduğu her ad burada da okunur, örneğin Site, Cameras, Substream, Busy ve Weapon detection. İç tespit adları (ppeDetection, weaponDetection) da çalışır; şiddet tespiti agressionDetection ya da aggressionDetection olarak da yazılabilir.
Türkçe şablonun verdiği biçimde bir CSV lokasyon listesi:
Lokasyon;Kamera;Çözünürlük;Bağımsız;Gelişmiş Görsel Yapay Zekâ;Silah tespiti
Genel Merkez;400;Full HD;hayır;;%10
Depo;120;;hayır;;
Şube 1;24;Alt akış;hayır;Analiz makinelerinde;#2JSON'da aynı türden bir liste, iç adlarla (selection: tespit kimliği → { "share": 20 } ya da { "cameras": 15 }). JSON ekrandaki Türkçe ya da İngilizce adları okumaz; alanlar ve değerler her zaman bu iç adlardır ("resolution": "480p", "Alt akış" değil).
[
{ "name": "Genel Merkez", "cameras": 400 },
{ "name": "Şube 1", "cameras": 24, "resolution": "480p", "selection": { "ppeDetection": { "cameras": 4 } } }
]Araç, hiçbir şeyi içe aktarmadan önce dosyanın tamamını denetler ve hataları içe aktarma düğmesinin yanında gösterir. Her hata satırı (başlık 1. satırdır) ve sütunu belirtir, örneğin: lokasyonlar.csv: 4. satır, "Kamera" sütunu: "12a" geçerli bir kamera sayısı değil (en az 1 olan bir tam sayı olmalı).
Lokasyon ya da Kamera sütunu;Lokasyon ve Ad: hata ikisini de belirtir ("Ad" sütunu, "Lokasyon" sütununu tekrarlıyor) ve hiçbir şey içe aktarılmaz;#0) ya da satırdaki kamera sayısından büyük bir sayı (24 kameralı bir lokasyonda #30);12,5 (hata satırı belirtir: başlıktan fazla hücre var (4 / 3)); sondaki boş hücreler sorun değildir;Mevcut projede dosyaya kaydedilmemiş değişiklikler varsa, sayfa içe aktarma lokasyonların yerini almadan önce sorar.
Projeyi kaydet önce "format": "aibox-hw-sizing-project" ve "version": 2 yazar, ardından adı, lokasyon düzenini (tek ya da birden çok lokasyon), ayarları, tespit dağılımını, lokasyonları ve Ayrıntılı ayarları. Proje ya da lokasyon listesi olmayan bir dosya için sayfa bunu belirtir; aracın daha yeni bir sürümünden gelen dosya reddedilir.
settings.genaiVerification: tespit başına isteğe bağlı Gelişmiş Görsel Yapay Zekâ doğrulaması, { "fireDetection": false }. Yalnızca yangın ve duman, şiddet tespiti, sahipsiz nesne ve kamera sabotajı listelenir; listede olmayan bir tespitte doğrulama açıktır.advanced.estimates: disk, network ve bitrate_mbps altındaki tahmin sabitlerinin, data/defaults.json içindeki yollarıyla verilen yeni değerleri, örneğin { "disk": { "image_retention_days": 60 } }. Her biri pozitif bir sayı olmalıdır; ağ bağlantısı yükü en fazla 1 olabilir.Tutarsız bir ayar içeren proje dosyası Silah tespiti her zaman Gelişmiş Görsel Yapay Zekâ gerektirir; kapatılamaz gibi bir iletiyle reddedilir. Varsayılanlarda sayı olarak bulunmayan bir tahmin sabiti de reddedilir: advanced.estimates.disk.x: bilinmeyen ayar.
Türkçe sayfada CSV dosyalarının hücreleri noktalı virgülle ayrılır, ondalık sayılar virgülle yazılır ve dosya bir UTF-8 BOM ile başlar. =, +, - ya da @ ile başlayan bir hücrenin başına ' eklenir; böylece bir elektronik tablo onu hiçbir zaman formül olarak çalıştırmaz.