实时视频匿名化在 30 FPS 的 $35 电脑上

Source: Dev.to

隐私优先的边缘 AI：为 $35 硬件构建实时、设备端匿名化器

在构建 PrivacyGuard 之前，我遇到的大多数隐私流水线都有相同的假设：你拥有服务器。
它们把视频帧发送到云端，在云端处理后再返回匿名化结果。这在旧金山还能工作，但在贝鲁特——网络经常无预警掉线的地方——表现糟糕，在那些必须确保敏感数据绝不离开现场的环境中则彻底失效。

我所设计的约束不同：在设备端实时检测并匿名化人脸、人物和车牌，且硬件成本仅 $35。

下面是实际需要做的工作以及我在构建过程中的收获。

为什么先做边缘很重要

• 通常的 “边缘 AI” 叙事强调 延迟 或 成本。
• 对于隐私场景，约束更为根本：
  • 如果你把医院走廊的一帧视频发送到云 API，已经违背了前提。
  • 敏感数据已经离开了设施，合规姿态在 匿名化之前 就已经消失。
  • GDPR 第5条 要求 数据最小化 —— 而不是 “发送后再最小化”。
  • 整个流水线必须是 零外泄。

这直接排除了所有主流商业 API（AWS Rekognition、Google Video Intelligence、Azure Video Analyzer）。它们本质上都是云优先的。要实现边缘优先的隐私，需要从头开始构建。

硬件约束

• Raspberry Pi 4
  • 四核 ARM Cortex‑A72 @ 1.8 GHz
  • 4–8 GB RAM
  • 无 GPU、无 NPU —— 纯 CPU 推理

在这颗 CPU 上运行标准 YOLOv8s 模型只能达到 3–5 FPS —— 无法满足实时视频需求。常见的做法是换更强的设备，但我把 Pi 视作 设计参数 来处理。

目标： 在 640 × 480 分辨率下实现 25–30 FPS。低于此会出现明显卡顿，破坏监控工作流的可用性。

模型大小权衡

上表仅列出原文中唯一完整描述的变体；其他变体虽有提及但未量化。

• 文档与部署指南：（原文未提供链接或细节）

联系方式

如果你正在资源受限的环境中进行边缘部署或隐私合规工作，欢迎联系：

• 电子邮件：laythayache5@gmail.com
• 网站：（原文“另见”部分）