跳到主要内容
SHIXINDA 时信达
SXD-NH2 视频分析服务器(96 TOPS) 产品图
视频分析服务器

SXD-NH2 视频分析服务器(96 TOPS)

SXD-NH2(2U 机架式) · 96 TOPS@INT8 / 24 TOPS@INT16 / 768 GFLOPS FP32 · 主控 16 核 32 线程@2.4GHz;AI 模块 6×24 核 ARM@1.6GHz

SXD-NH2 视频分析服务器是一款 96 TOPS 的边缘 AI 分析设备,标称支持 256 路 实时视频接入(1080P、每路 1 路算法、2 秒抽帧口径);可带路数随摄像头像素、抽帧间隔与每路算法数量变化,选型需按实际场景折算并留 30% 余量。

型号
SXD-NH2(2U 机架式)
AI 算力
96 TOPS@INT8 / 24 TOPS@INT16 / 768 GFLOPS FP32
处理器
主控 16 核 32 线程@2.4GHz;AI 模块 6×24 核 ARM@1.6GHz
内存
系统 16GB + 片上 48GB;AI 内存 96GB

No. sxd-nh2-server · 2026-11-20

产品概述

SXD-NH2 视频分析服务器是一款 96 TOPS 的边缘 AI 分析设备,标称支持 256 路实时视频接入(1080P、每路 1 路算法、2 秒抽帧)。可带路数随摄像头像素、抽帧间隔与每路算法数量变化,不能按固定路数理解,选型见下方「算力与接入口径」。 SXD-NH2 是机架式视频分析服务器:96 TOPS@INT8 算力,支持 256 路 1080P 解码与 48 路编码,单机可承载区县级监控中心的集中分析。采用主控 + AI 模块分离架构,2U 机箱、1+1 冗余电源,适合机房长期运行。

算力与接入口径

标称的「256 路」指实时视频接入路数,基准口径为 1080P、25fps、每路绑定 1 路算法、2 秒抽一帧。实际可带路数不是固定值,会随三个变量变化:

变量变化对算力的影响
摄像头像素200 万 → 400 万单路解码与推理负载约增加 50%–100%,可带路数相应减少
抽帧间隔2 秒 → 1 秒每秒处理帧数翻倍,可带路数约减半
每路算法数1 路 → 2 路推理次数翻倍,可带路数约减半

选型建议:先按「像素 × 抽帧频率 × 每路算法数」折算,再留 30% 余量。200 万像素 + 2 秒抽帧 + 单算法对应标称路数;换成 400 万像素或 1 秒抽帧时,按标称路数的 50%–60% 估算。96 TOPS 为 INT8 峰值算力,实际可用算力受算法模型与并发策略影响。

数据流架构与有效算力

标称算力只是上限,真正决定能带多少路的是芯片利用率。本机搭载可重构数据流 AI 芯片,把整个算法模型编译成一条数据流水线,算子之间直接串成硬件通路,数据流过即完成计算,不需要反复取指和搬运中间结果。

对比项指令集架构(常见 GPU/NPU)数据流架构(本机)
计算方式逐条执行算子,中间结果反复读写内存算子编译成流水线,数据流过即算完
芯片利用率(行业公开对比)10%–30%65%–95%
8 TOPS 折算有效算力约 0.8–2.4 TOPS约 5.2–7.6 TOPS
同等算力下的可带路数基准按利用率中位数折算约 2–3 倍
算法部署依赖框架适配与手工调优自研编译器,TensorFlow / PyTorch / ONNX 模型端到端自动编译下发

芯片利用率对比图:指令集架构 10–30%,可重构数据流架构 65–95%;8 TOPS 折算有效算力 0.8–2.4 TOPS 与 5.2–7.6 TOPS

有效算力 = 标称峰值 × 芯片利用率。以 8 TOPS 为例:指令集路线实际可用约 0.8–2.4 TOPS,数据流路线约 5.2–7.6 TOPS —— 这也是同样标称算力的设备,实际能带的摄像头路数差别很大的原因。

对落地场景意味着三件事:

  • 存量改造更省:一台设备顶过去两到三台,机柜空间与功耗同步下降
  • 算法可重构:换算法不需要换硬件,编译下发即可,避免"算法一升级就得换盒子"
  • 算力可稳定跑满:多路视频并发解码 + 推理时,流水线仍能保持较高利用率,不出现"峰值高、实测低"

说明:表中利用率为行业公开的架构对比区间,具体模型的实测值会随算子结构、输入分辨率与批处理策略浮动;本页标称路数按 1080P、每路 1 路算法、2 秒抽帧的口径给出。

算法能力(按场景分类)

设备兼容的算法按场景分为 6 大类,覆盖 460+ 个细分场景;具体启用哪几路算法按项目选配,以交付清单为准。

场景类别代表算法典型点位
人员行为与在岗区域入侵、越界、人员滞留、徘徊、攀爬翻越、跌倒、在岗状态监测、作业规范偏离、安全帽/反光衣/工服/口罩/手套佩戴识别厂区周界、值班室、作业面
安全风险与消防烟火、明火、烟雾、消防通道占用、危险区域闯入、通道堵塞、气体泄漏、静电释放仓库、配电室、后厨、危化区
车辆与交通车牌识别、违停、逆行、车流统计、非机动车闯入、工程车辆识别、限高校门、园区出入口、道路
物品与设施物料堆放、托盘识别、货架空缺、设备状态、仪表读数、传送带异常车间、仓库、配电房
环境与秩序垃圾满溢、积水、扬尘、占道、乱堆放厂区道路、垃圾房、施工区
食品与后厨后厨着装、鼠患、留样检测、餐具消毒、冷链温度学校/企业食堂

说明:算法名称按对外表述规范处理,涉及人像的算法须在授权范围内使用;表中为代表算法,完整清单随项目提供。

算法训练与定制(选配)

时信达AI 算法训练与定制流程图:数据采集、数据标注、模型训练、模型评测、模型发布、下发到设备,附训练环境与持续优化闭环

若通用算法覆盖不到现场场景,可配套「AI 算法训练平台」,用现场数据训练专属模型,训练完成后量化生成 SG 文件,下发到本机的推理加速卡运行。平台为图形化界面,按数据标注 → 模型训练 → 模型评测 → 模型发布四步完成。

环节能力说明
数据标注手动标注 + 智能标注数据可本地上传、从现场回流或选用平台数据集;自动划分样例集与测试集
模型训练分割 / 检测 / 分类支持对已有模型重训练、对模型库首次训练;可自定义单批图片数与网络规模(大/中/小)
模型评测指定模型 + 一键评测用独立测试集评估效果,支持指定 GPU 加速
模型发布量化 + 生成 SG 文件转为加速卡可识别的数据流表达式,下发到边缘设备运行

训练平台为独立软件,需配套 GPU 服务器(参考配置:2×Xeon Gold 6126 / 64GB / 2×RTX 3080Ti),按项目选配。训练效果取决于样本质量与场景覆盖度,建议先用小批量数据验证再规模采集。

告警数据流

时信达AI 告警数据流与响应时序图:摄像机出流 → 边缘抽帧与推理 → 命中本地声光告警 → 上报平台 → 去重推送 → 值班处置,端到端约 5–8 秒

部署架构

时信达AI 视频分析系统部署架构图:前端采集、边缘分析、中心平台、应用对接四层,以及单机/集群/大规模三种部署形态

核心特性

  • 96 TOPS 算力:全流最大 384 路算法并行,单路最多 36 种算法
  • 256 路解码:一台设备覆盖区县级平台的主要点位
  • 万兆上联:2×万兆光口 + 2×千兆电口,支持大码流汇聚
  • 冗余可靠:1+1 冗余电源、4 个温控风扇、IPMI 带外管理

相关推荐

参考资料

以下为与本文相关的法规与标准,供进一步核对:

  • 《公共安全视频监控联网系统信息传输、交换、控制技术要求》(GB/T 28181) — 官方来源
  • 《中华人民共和国数据安全法》 — 官方来源

典型应用

交通
交通
城市管理
城市管理
港口
港口
园区
园区

核心功能

AI 算力

96 TOPS@INT8 / 24 TOPS@INT16 / 768 GFLOPS FP32

处理器

主控 16 核 32 线程@2.4GHz;AI 模块 6×24 核 ARM@1.6GHz

内存

系统 16GB + 片上 48GB;AI 内存 96GB

存储

480GB SSD + 6TB HDD(告警图片约存 3 个月)

规格参数

硬件参数

型号SXD-NH2(2U 机架式)
AI 算力96 TOPS@INT8 / 24 TOPS@INT16 / 768 GFLOPS FP32
处理器主控 16 核 32 线程@2.4GHz;AI 模块 6×24 核 ARM@1.6GHz
内存系统 16GB + 片上 48GB;AI 内存 96GB
存储480GB SSD + 6TB HDD(告警图片约存 3 个月)
视频解码256 路 1080P@25fps
视频编码48 路 1080P@25fps
算法能力单路最多 36 种算法,全部视频流最大并行 384
人像库支持 1 万人像录入
接口2×千兆电口、2×万兆光口、USB3.0×4(外置)+1(内置)、VGA、IPMI 管理口、PCIe 4.0 扩展
电源100–240V AC,1+1 冗余
功耗900W(MAX)
机箱2U 机架式,支持 19 英寸机柜(深 1000mm 以上)
重量≤35kg
工作环境5℃~45℃,湿度 8%~90%RH 无冷凝,海拔 ≤3000m
操作系统openEuler(国产)

资料下载

常见问题

96 TOPS 到底能接多少路摄像头?

标称 256 路 是基准口径(1080P/25fps/每路 1 路算法/2 秒抽帧)。若换成 400 万像素,按 141 路左右估算;若改成 1 秒抽帧,可带路数约减半;每路再加一路算法,再减半。

200 万像素和 400 万像素摄像头,算力占用差多少?

400 万像素单帧数据量约为 200 万的 2 倍,解码与推理负载同步上升。相同算力下,400 万像素建议按 200 万像素可带路数的 50%–60% 规划,并预留峰值余量。

抽帧 1 秒和 2 秒该怎么选?

报警类场景(越界、打架、烟火、离岗)建议 1 秒,响应更及时但算力占用翻倍;统计类场景(客流、计数、在岗时长)2 秒足够,能带更多路。混合场景可对重点点位单独设 1 秒。

设备支持哪些算法?

按场景分为人员行为与在岗、安全风险与消防、车辆与交通、物品与设施、环境与秩序、食品与后厨 6 大类,覆盖 460+ 细分场景。具体启用哪些算法按项目选配,交付时提供清单;涉及人像的算法需在授权范围内使用。

能不能用我们自己的现场数据训练算法?

可以。配套 AI 算法训练平台支持数据标注、模型训练、模型评测与模型发布四个环节:导入现场图片(可本地或数据回流)、手动或智能标注、选择分割/检测/分类模型训练,评测通过后量化生成 SG 文件下发到设备。训练平台需配套 GPU 服务器,按项目选配。

同样是 8 TOPS,为什么你们能带更多路?

因为标称 TOPS 只是峰值上限,实际性能 = 峰值 × 芯片利用率。常见指令集架构(GPU/NPU)利用率约 10%–30%,可重构数据流架构可达 65%–95%。同样 8 TOPS,数据流方案的有效算力约为 5.2–7.6 TOPS,能带的路数自然更多;具体路数还受摄像机像素、抽帧间隔和每路算法数量影响。

准备好开启智能化升级了吗?

留言或来电,获取专属选型建议。

拨打服务热线
电话