使用 M1 Max 與在地 ML 模型索引 669 GB 的 GoPro 影片素材

針對大規模影片庫進行在地 ML 索引

開發者 iliashad 使用 M1 Max 電腦與在地開源機器學習模型，對 628 部影片（總計 15 小時 13 分鐘）共 668.68 GB 的 GoPro 影片素材進行了索引。這種方法可以在不依賴雲端服務的情況下，從海量原始素材中高效地發現特定時刻，同時確保隱私並避免高昂的上傳成本。

技術實作與工作流程

該專案的主要目標是為 GoPro 影片庫建立一個可搜尋的索引，以便識別用於剪輯的「有趣時刻」。工作流程整合了在地 ML 模型來分析影片檔案，並利用相同的索引將選定的片段直接推送到 DaVinci Resolve 時間軸中。

硬體與規模

• 硬體： Apple M1 Max
• 數據量： 668.68 GB 的原始影片
• 已索引影片數量： 628 部
• 總時長： 15 小時 13 分鐘 18 秒

與剪輯軟體整合

透過在本地進行素材索引，使用者可以搜尋特定的視覺或主題元素，然後將最佳片段直接傳送到 DaVinci Resolve，從而簡化從原始數據分析到最終影片製作的轉換過程。

社群討論與技術考量

雖然該專案展示了 Apple Silicon 上在地 ML 的能力，但 Hacker News 的社群成員針對硬體與架構討論了幾項技術細節。

容器中的 GPU 加速

一位貢獻者 @fl0id 指出，可以使用特定工具在容器內實現 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

硬體效能比較

此外，也有關於 M1 Max 架構的討論，使用者將其 ARM 架構的 SoC (System on a Chip) 效能與傳統的 x86 架構（例如 11th gen Intel i9）進行比較，以了解 Windows ARM 在類似 ML 工作負載下的效能表現。

結論

這個專案是一個實用的範例，展示了如何利用 M1 Max 等消費級硬體上的在地 ML 模型來在地處理大規模影片數據集，顯著減少了專業影片剪輯時手動檢視數小時素材所需的時間。