对5G建设提出四点建议
1. 配置 Pod 请求与限制我们从配置一套可以运行 Pod 的简单环境开始。Kubernetes 在处理 Pod 调度与故障状态方面确实表现出色，但我们也意识到，如果 Kubernetes 调度程序无法衡量 Pod 的成功运行究竟需要多少资源，那么有时候部署工作可能面临挑战。而这一挑战，也正是资源请求与限制机制的设计根源。目前，设置应用程序请求与限制方面的最佳实践仍然存在不少争议。实际上，这项工作更像是一门艺术，而非单纯的科学。下面，我们聊聊 GumGum 公司内部对这个问题的看法： Pod 请求: 这是调度程序用于衡量 Pod 最佳部署方法的主要指标。 下面来看 Kubernetes 说明文档中的相关描述： 过滤步骤会在可行的情况下找到一组 Pod。例如，PodFitsResources 过滤器会检查候选节点是否具备充足的可用资源，以满足 Pod 提出的特定资源请求。 在内部，我们通过这样一种方式使用应用程序请求：通过设置，我们对应用程序正常运行实际工作负载时的资源需求做出估计。以此为基础，调度程序即可更合理地放置节点。最初，我们希望将请求设置得更高一些，保证各个 Pod 都拥有充足的资源。但我们很快发现，这种方式会大大增加调度时间，并导致部分 Pod 无法完全调度。这样的结果实际上与我们完全不指定资源请求时看到的情况类似：在后一种情况下，由于控制平面并不清楚应用程序需要多少资源，因此调度程序经常会“逐出”Pod 且不再重新加以调度。正是这一调度算法中的关键组成部分，导致我们无法得到符合预期的调度效果。 Pod 限制: 即对于 Pod 的直接限制，代表着集群允许各容器所使用的最大资源量。 同样来看官方说明文档中的描述: 如果您为容器设置了 4GiB 的内存限制，则 kubelet（与容器运行时）将强制执行此限制。运行时将防止容器使用超出所配置上限的资源容量。例如，当容器中的进程所消耗的内存量超过获准数量时，系统内核将终止该资源分配尝试，并提示内存不足（OOM）错误。 容器所使用的实际资源量可以高于其请求，但永远不能高于配置上限。很明显，对限制指标的正确设置相当困难，但也非常重要。在理想情况下，我们希望让 Pod 的资源需求在整个流程生命周期内发生变化，而又不致干扰到系统上的其他流程——这也正是限制机制的意义所在。遗憾的是，我们无法明确给出最合适的设置值，只能遵循以下过程进行调整：
把概念变成现实
了解手势，环境和摄像头类型后，我们必须获取或建立手势识别机器学习模型。图1的左侧显示了将手势示例转换为推理引擎所需的步骤，该引擎实际上是识别手势的算法。TensorFlow，ONNX和Pytorch是用于此目的的一些常用工具。 只有现在我们才能确定合适的硬件和软件。手势识别系统通常建立在工业级嵌入式平台上，从连接到通用计算核心的单个智能摄像头，到为多核处理器提供高度优化视觉和机器学习加速器的多个摄像头传感器。图1显示了手势识别系统的两种选择，推荐用于更简单系统的i.MXRT微控制器平台，以及用于更复杂或更快响应手势和视觉系统的NXPi.MX8MPlus应用处理器。 立体视觉摄像头可以使用MIPI-CSI、USB或以太网连接以及音频输入，识别语音和声音发生器，以提供音频用户反馈。显示面板还可以向用户提供直观的指示和反馈，并且可以在非接触式控制发生故障或将不使用的情况下包含备用触摸屏。 最快的方法是利用现有的嵌入式平台和工具箱。例如，ToradexApalisi.MX8EmbeddedVisionStarterKit是一种工业级单板解决方案，基于NXPi.MX8应用程序处理器，结合AlliedVisionsensor，它利用AmazonWebServices（AWS）开发工具完成对象识别任务。该工具集可以收集手势示例，并将其传输到AWS工具中，以训练手势识别模型。然后，可以将生成的推理引擎加载回同一个工具包中，以识别手势并通知机器如何响应。 结论 随着对非接触式用户界面需求的增加，机器视觉系统将大受欢迎。这种需求存在于广泛的应用程序中，包括零售、智能建筑、医疗保健、工业和娱乐。 在工业和制造环境中，无接触控制不仅可以保证用户的安全，而且可以改善人类与机器的交互方式。现有的硬件和软件子模块可用于构建成本效益高的基于手势的控件，这些控件具有响应性和可靠性，从而开创了一个无接触用户界面的新时代，这将有助于行业在新的常态下继续发展。  （编辑：济南站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
