Infrastruktur
Inferenz & Deployment
Das Deployment-Design: Video → Detektion → Pose → Modell in einem einzigen Forward-Pass, mit Quantisierungs- und Destillationszielen für Edge-Hardware.
Die Pipeline, wie entworfen
Das Deployment-Design hält den Weg von der Kamera zur Erkenntnis kurz. Video wird dekodiert, Spieler werden detektiert und getrackt; ein Pose-Schätzer verwandelt jeden Spieler in Keypoints pro Frame; Fenster dieser Keypoints gehen in das Foundation Model, und ein einziger Forward-Pass liefert beide Ausgaben — ein sauberes 3D-Skelett und das Bewegungs-Embedding. Keine Stufe des Designs verlangt Spezialhardware am Platz: Die Eingabe ist gewöhnliches Video.
Klein genug, um sich zu bewegen
Das Backbone ist nach Foundation-Model-Maßstäben ein bewusst kleines Modell (siehe das Modell-Datenblatt der Architektur), und der Deployment-Plan geht weiter: Post-Training-Quantisierung für weniger Speicher und Latenz sowie Destillation in aufgabenspezifische Student-Modelle, wo ein Produkt nur einen Ausschnitt des Modellverständnisses braucht. Die Ziele sind als Ziele formuliert — gemessene Latenz- und Durchsatzzahlen werden veröffentlicht, sobald eine Serving-Pipeline existiert, die sie messen kann.
Design-Ziele
| Ziel | Begründung |
|---|---|
| Single-Pass-Serving | Beide Modellausgaben aus einem Forward-Pass — keine Kette von Spezialmodellen zu betreiben. |
| Quantisierung | Post-Training-Quantisierung für weniger Speicher und Latenz auf Standard-GPUs. |
| Destillation | Aufgabenspezifische Student-Modelle, wo ein Produkt nur einen Teil des Backbones braucht. |
| Edge-Klasse-Ziele | Analyse nahe der Kamera, wo Bandbreite oder Datenschutz es verlangen. |
| Gebatchtes Pose-Frontend | Amortisierte Kosten pro Spieler, wenn viele Körper ein Bild teilen. |
Die Abfrageoberfläche, die diese Pipeline speisen soll, ist in der Knowledgebase-API spezifiziert.