The concept of the Internet of Things (IoT) is a reality now. This paradigm shift has caught everyones attention in a large class of applications, including IoT-based video analytics using smart doorbells. Due to its growing application segments, various efforts exist in scientific literature and many video-based doorbell solutions are commercially available in the market. However, contemporary offerings are bespoke, offering limited composability and reusability of a smart doorbell framework. Second, they are monolithic and proprietary, which means that the implementation details remain hidden from the users. We believe that a transparent design can greatly aid in the development of a smart doorbell, enabling its use in multiple application domains. To address the above-mentioned challenges, we propose a distributed framework to orchestrate video analytics across Edge and Cloud resources. We investigate trade-offs in the distribution of different software components over a bespoke/full system, where components over Edge and Cloud are treated generically. This paper evaluates the proposed framework as well as the state-of-the-art models and presents comparative analysis of them on various metrics (such as overall model accuracy, latency, memory, and CPU usage). The evaluation result demonstrates our intuition very well, showcasing that the AWS-based approach exhibits reasonably high object-detection accuracy, low memory, and CPU usage when compared to the state-of-the-art approaches, but high latency.

中文翻译：

---

编排视频分析应用程序的分布式框架

物联网 (IoT) 的概念现已成为现实。这种范式转变在一大类应用中引起了所有人的注意，包括使用智能门铃的基于物联网的视频分析。由于其不断增长的应用领域，科学文献中存在各种努力，并且市场上有许多基于视频的门铃解决方案。然而，现代产品是定制的，智能门铃框架的可组合性和可重用性有限。其次，它们是整体的和专有的，这意味着实现细节对用户是隐藏的。我们相信透明设计可以极大地帮助智能门铃的开发，使其能够在多个应用领域中使用。为应对上述挑战，我们提出了一个分布式框架来协调跨边缘和云资源的视频分析。我们研究了在定制/完整系统上分布不同软件组件的权衡，其中边缘和云上的组件被一般处理。本文评估了所提出的框架以及最先进的模型，并在各种指标（例如整体模型准确性、延迟、内存和 CPU 使用率）上对它们进行了比较分析。评估结果很好地证明了我们的直觉，表明与最先进的方法相比，基于 AWS 的方法表现出相当高的对象检测精度、低内存和 CPU 使用率，但延迟高。我们研究了在定制/完整系统上分布不同软件组件的权衡，其中边缘和云上的组件被一般处理。本文评估了所提出的框架以及最先进的模型，并在各种指标（例如整体模型准确性、延迟、内存和 CPU 使用率）上对它们进行了比较分析。评估结果很好地证明了我们的直觉，表明与最先进的方法相比，基于 AWS 的方法表现出相当高的对象检测精度、低内存和 CPU 使用率，但延迟高。我们研究了在定制/完整系统上分布不同软件组件的权衡，其中边缘和云上的组件被一般处理。本文评估了所提出的框架以及最先进的模型，并在各种指标（例如整体模型准确性、延迟、内存和 CPU 使用率）上对它们进行了比较分析。评估结果很好地证明了我们的直觉，表明与最先进的方法相比，基于 AWS 的方法表现出相当高的对象检测精度、低内存和 CPU 使用率，但延迟高。本文评估了所提出的框架以及最先进的模型，并在各种指标（例如整体模型准确性、延迟、内存和 CPU 使用率）上对它们进行了比较分析。评估结果很好地证明了我们的直觉，表明与最先进的方法相比，基于 AWS 的方法表现出相当高的对象检测精度、低内存和 CPU 使用率，但延迟高。本文评估了所提出的框架以及最先进的模型，并在各种指标（例如整体模型准确性、延迟、内存和 CPU 使用率）上对它们进行了比较分析。评估结果很好地证明了我们的直觉，表明与最先进的方法相比，基于 AWS 的方法表现出相当高的对象检测精度、低内存和 CPU 使用率，但延迟高。