使用 M1 Max 和本地 ML 模型对 669 GB GoPro 视频进行索引

用于大规模视频库的本地 ML 索引

开发者 iliashad 使用 M1 Max 计算机和本地开源机器学习模型，对 628 个视频（总计 15 小时 13 分钟）中的 668.68 GB GoPro 视频进行了索引。这种方法允许在不依赖云服务的情况下，从海量原始素材中高效地发现特定时刻，从而确保了隐私并避免了高昂的上传成本。

技术实现与工作流程

该项目的主要目标是为 GoPro 视频库创建一个可搜索的索引，以识别用于剪辑的“有趣时刻”。工作流程集成了本地 ML 模型来分析视频文件，并使用相同的索引将选定的片段直接推送到 DaVinci Resolve 时间轴中。

硬件与规模

• 硬件： Apple M1 Max
• 数据量： 668.68 GB 原始视频
• 已索引视频数： 628 个
• 总时长： 15 小时 13 分钟 18 秒

与剪辑软件的集成

通过在本地对素材进行索引，用户可以搜索特定的视觉或主题元素，然后将最佳片段直接发送到 DaVinci Resolve，从而简化了从原始数据分析到最终视频制作的过渡过程。

社区讨论与技术考量

虽然该项目展示了 Apple Silicon 上本地 ML 的能力，但 Hacker News 上的社区成员就硬件和架构方面的若干技术细节进行了讨论。

容器中的 GPU 加速

一位贡献者 @fl0id 指出，可以通过使用特定工具在容器内实现 Apple GPU 加速：

it is possible to use apple gpu with containers. either with podman + runkit + recent mesa or with recent vllm-metal from docker

硬件性能对比

此外，还有关于 M1 Max 架构的讨论，用户将基于 ARM 的 SoC (System on a Chip) 性能与传统的 x86 架构（如 11th gen Intel i9）进行对比，以了解 Windows ARM 在类似 ML 工作负载下的性能表现如何。

结论

该项目作为一个实际案例，展示了如何利用 M1 Max 等消费级硬件上的本地 ML 模型来本地处理大规模视频数据集，从而显著减少了专业视频剪辑中手动查看数小时素材所需的时间。