VideoPipe视频分析框架开源至今受到了很多人的好评，也有很多成功的商业落地案例。Github仓库中的Sample代码默认只支持CPU和英伟达两种硬件类型（推理部分基于OpenCV::DNN和TensorRT后端），由于某些保密原因，其他硬件平台的适配代码没有公开。随着国产信创化的需求越来越多，国产硬件也是今后AI算法部署落地的新趋势。本篇文章简要介绍如何将VideoPipe移植、适配到不同AI硬件平台，比如华为昇腾、寒武纪、瑞芯微等。
框架移植到不同硬件平台的工作主要涉及到两大块：编解码和模型推理，这两块需要对应的硬件加速。
1、VideoPipe中的编解码部分默认采用Gstreamer管道实现，由OpenCV创建和加载Gstreamer编解码插件，如果你要适配的目标硬件平台本身有对应的GStreamer硬编解码插件，那么编解码移植这块的工作比较简单，直接替换原来软编解码插件为目标平台的硬编解码插件即可。如果没有现成的硬编解码插件可用（大部分时候是这种情况），那么你要做的工作就是参考仓库中/nodes/ffio这个目录中的代码（该目录基于FFmpeg实现了收流、拆包、解码、编码、封包、推流等逻辑），基于目标硬件平台的Codec编解码SDK，去实现自己的硬编、硬解逻辑，封装成VideoPipe中的一个SRC/DES Node即可，然后基于新的SRC/DES节点去构建VideoPipe中的Pipeline。
2、VideoPipe中的模型推理部分默认采用OpenCV::DNN模块实现，它可以加载主流深度学习框架导出的模型格式（如ONNX/Tensorflow/Caffe等），而且支持英伟达平台CUDA加速。当然针对英伟达平台，仓库中还提供了基于TensorRT推理后端的参考实现。如果你要适配其他硬件平台，那么需要基于对应硬件平台的推理Runtime去实现自己的推理逻辑，比如瑞芯微的RKNN、华为的CANN等等。这块其实很简单，直接参考硬件平台厂家提供的推理Demo代码，将其封装成VideoPipe中的一个推理Node即可，然后基于新的推理节点去构建VideoPipe中的Pipeline。
除了编解码和模型推理需要适配移植之外，其他比如OSD画图、颜色格式转换、图片缩放等环节可能也需要使用目标硬件平台的硬件加速API，这块可以参考模型推理移植的步骤，基于目标硬件平台提供的加速API实现对应逻辑即可（如瑞芯微平台的RGA图像处理加速库，专门处理图像缩放裁剪、格式转换等）。整个移植适配的工作其实相当简单，前提是你对适配的目标硬件平台要足够熟悉和了解。
