VideoPipe

拖拽式搭建视频分析流水线，快速落地 CV+大模型应用

VideoPipe 是一个基于计算机视觉模型和多模态大语言模型（mLLM）的跨平台视频结构化分析框架。它解决的是视频数据从原始帧到结构化信息的端到端处理问题，将复杂的视频分析流水线（如目标检测、跟踪、属性识别、事件理解等）抽象为可配置的节点图，支持用户通过简单的拓扑编排快速搭建定制化的视频分析应用。核心能力包括：高性能的 C++ 实现、插件化节点设计、内置多种 CV 模型和 mLLM 接口、支持实时流和离线视频处理、提供可视化调试工具。该框架旨在降低视频分析系统的开发门槛，让开发者无需从零构建底层管线，即可聚焦业务逻辑。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2958

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队sherlockchou86

所属国家

官网地址http://www.videopipe.cool

GitHubhttps://github.com/sherlockchou86/VideoPipe

定价模式free

价格说明开源框架，基于Apache-2.0许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言C++

技术栈/模型ai,behaviour-analysis,cv,deep-learning,deepstream,face-recognition,feature-extraction,gstreamer,image-classification,image-segmentation,license-plate-recognition,llm,multimodal-large-language-models,object-detection,ollama,openai,opencv,reid,similarity-search,video-analysis

GitHub 星标★ 2958

30天Star增速

HF 下载量

上线时间2022-08-26 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：高级约 30 分钟部署方式：库/依赖 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

C++ 开发环境（README 未指定编译器版本与构建工具）
VideoPipe 源码（可通过 git clone 获取）
ONNX 模型文件：face_detection_yunet_2022mar.onnx 与 face_recognition_sface_2021dec.onn
输入视频文件，示例中为 ./test_video/10.mp4
如需推流输出，需要可用的 RTMP 服务器地址

安装与启动步骤

1克隆代码仓库

README 未给出安装命令，先拉取源码，再阅读 README_CN 和 samples 目录了解工程结构。
```
git clone https://github.com/sherlockchou86/VideoPipe.git
```
2阅读示例代码

打开 samples/1-1-N_sample.cpp，了解节点创建、attach_to 连接节点、start 启动流水线的写法。
3准备模型文件

把 Yunet 人脸检测与 SFace 人脸识别模型放到 ./models/face/ 下，文件名需与代码中一致。
4准备测试视频

在工程目录放置 ./test_video/10.mp4，或直接修改源码里的视频路径指向自己的文件。
5编译你的程序

README 说明可将 VideoPipe 编译为库再链接，也可直接把源码加入工程一起编译，未给具体命令。
6运行并查看输出

运行编译产物后会出现流水线状态、屏幕输出、RTMP 推流三个输出，据此确认流程是否正常。

关键配置

配置项	必填	说明	示例
`视频源路径`	是	vp_file_src_node 读取的输入视频文件路径	`./test_video/10.mp4`
`人脸检测模型路径`	是	vp_yunet_face_detector_node 加载的一级推理模型	`./models/face/face_detection_yunet_2022mar.onnx`
`人脸识别模型路径`	是	vp_sface_feature_encoder_node 加载的二级推理模型	`./models/face/face_recognition_sface_2021dec.onnx`
`RTMP 推流地址`	否	vp_rtmp_des_node 的输出地址，不需要推流时可不创建该节点	`rtmp://192.168.77.60/live/10000`

如何确认成功

程序跑起来后会显示流水线状态、屏幕输出画面和 RTMP 推流输出三路结果，画面正常即启动成功。

常见问题

Q：怎么搭建自己的分析流水线？

A：参照 samples/1-1-N_sample.cpp：创建各节点，用 attach_to 把节点连成图，再调用源节点的 start() 启动，用 vp_analysis_board 可视化。

Q：可以怎么集成到已有工程？

A：README 给出两种方式：把 VideoPipe 编译成库后链接，或直接包含源码、把整个应用一起编译。

Q：有教程或视频资料吗？

A：官网提供 VideoPipe 教程页（http://www.videopipe.cool/index.php/2024/09/11/videopipetutorials/），可配合 samples 学习。

Q：和 DeepStream 有什么区别？

A：README 对比表指出 DeepStream 不开源、学习曲线高、仅支持 NVIDIA 平台，而 VideoPipe 开源且更易用、更易移植。

Q：必须用 RTMP 推流吗？

A：不是，示例同时挂了屏幕显示和 RTMP 两个输出节点，不需要推流时不创建 vp_rtmp_des_node 即可。

注意事项

README 节选中没有编译、依赖安装等命令，本教程步骤仅为基于仓库结构和示例代码的准备动作。
建议按官网中文 README（README_CN.md）和教程页获取实际构建步骤。
示例中的模型路径、视频路径和 RTMP 地址都是示例值，需替换为你自己的实际值。
VideoPipe 是 C++ 框架，需自行准备 C++ 编译环境。

核心亮点

基于 C++ 实现，性能高，适合实时视频流处理场景
节点图编排设计灵活，支持自定义插件，扩展性强
内置 mLLM 接口，能结合大模型做高层语义理解

不足之处

文档/社区待观察
项目仍处于成长阶段，生态和示例相对有限

适用场景

智慧安防：实时视频中的目标检测、跟踪与行为分析
工业质检：流水线视频中的缺陷识别与分类
内容审核：自动识别视频中的违规内容并生成结构化报告

替代项目

GStreamer、DeepStream、MediaPipe

项目介绍

VideoPipe 是计算机视觉领域的开源项目，由 sherlockchou86 开发，2022 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（2,958）位列前 30%，在计算机视觉分类的 447 个项目里位列前 14%。

近 42 天，它的 GitHub 星标从 2,892 增加到 2,958，净增 66。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。基于Apache-2.0许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：智慧安防：实时视频中的目标检测、跟踪与行为分析。同类可对比的替代方案包括 GStreamer、DeepStream、MediaPipe。

上一篇：DeepCamera

下一篇：LISA