DGX Spark 中文社区

基本思路

部署 NVIDIA 的视频搜索和摘要 (VSS) AI Blueprint来构建结合了视觉语言模型、大型语言模型和检索增强生成的智能视频分析系统。该系统通过视频摘要、问答和实时警报将原始视频内容转化为实时可操作的见解。您将设置完全本地的 Event Reviewer 部署或使用远程模型端点的混合部署。

你将完成什么

您将在采用 Blackwell 架构的 NVIDIA Spark 硬件上部署 NVIDIA 的 VSS AI Blueprint，并在两种部署方案之间进行选择：VSS Event Reviewer（使用 VLM 管道完全本地化）或标准 VSS（使用远程 LLM/嵌入端点的混合部署）。这包括设置警报桥、VLM 管道、警报检查器 UI、视频存储工具包和可选的 DeepStream CV 管道，以进行自动视频分析和事件审查。

开始之前需要了解什么

使用 NVIDIA Docker 容器和容器注册表
使用共享网络设置 Docker Compose 环境
管理环境变量和身份验证令牌
对视频处理和分析工作流程的基本了解

先决条件

具有 ARM64 架构和 Blackwell GPU 的 NVIDIA Spark 设备
DGX 操作系统（建议：7.4.0 或更高版本）
安装的驱动程序版本 580.95.05 或更高版本：nvidia-smi | grep "Driver Version"
安装的 CUDA 版本 13.0：nvcc --version
Docker 安装并运行：docker --version && docker compose version
使用 NGC API Key 访问 NVIDIA 容器注册表
NVIDIA 容器工具包
[可选] 用于远程模型端点的 NVIDIA API 密钥（仅限混合部署）
足够的视频处理存储空间（/tmp/中建议>10GB）

附属文件

VSS Blueprint GitHub Repository - 主要代码库和 Docker Compose 配置
VSS Official Documentation - 完整的系统文档

时间与风险

持续时间： 初始设置 30-45 分钟，视频处理验证需要额外时间
风险：
- 由于模型下载量较大，容器启动可能会占用大量资源且耗时
- 如果共享网络已存在，网络配置会发生冲突
- 远程 API 端点可能存在速率限制或连接问题（混合部署）
回滚： 使用 scripts/dev-profile.sh down 停止所有容器
最后更新： 2026 年 3 月 16 日
- 更新所需的操作系统和驱动程序版本
- 通过 Cosmos Reason 2 VLM 支持 VSS 3.1.0

步骤 1. 验证环境要求

检查您的系统是否满足硬件和软件 prerequisites 的要求。

## Verify driver version
nvidia-smi | grep "Driver Version"
## Expected output: Driver Version: 580.126.09 or higher

## Verify CUDA version
nvcc --version
## Expected output: release 13.0

## Verify Docker is running
docker --version && docker compose version

步骤 2. 配置 Docker

要在不使用 sudo 的情况下轻松管理容器，您必须位于 docker 组中。如果您选择跳过此步骤，则需要使用 sudo 运行 Docker 命令。
打开新终端并测试 Docker 访问。在终端中，运行：

docker ps

如果您看到权限被拒绝错误（例如尝试连接到 Docker 守护进程套接字时权限被拒绝），请将您的用户添加到 docker 组，这样您就不需要使用 sudo 运行命令。

sudo usermod -aG docker $USER
newgrp docker

此外，配置 Docker 以便它可以使用 NVIDIA 容器运行时。

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

##Run a sample workload to verify the setup
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

步骤 3. 克隆 VSS 仓库

从 NVIDIA 的公共 GitHub 克隆视频搜索和摘要仓库。

## Clone the VSS AI Blueprint repository
git clone https://github.com/NVIDIA-AI-Blueprints/video-search-and-summarization.git
cd video-search-and-summarization

步骤 4. 运行缓存清理脚本

启动系统缓存清理器以优化容器操作期间的内存使用。

在下面提到的 /usr/local/bin/sys-cache-cleaner.sh 创建缓存清理脚本

sudo tee /usr/local/bin/sys-cache-cleaner.sh << 'EOF'
#!/bin/bash
## Exit immediately if any command fails
set -e

## Disable hugepages
echo "disable vm/nr_hugepage"
echo 0 | tee /proc/sys/vm/nr_hugepages

## Notify that the cache cleaner is running
echo "Starting cache cleaner - Running"
echo "Press Ctrl + C to stop"
## Repeatedly sync and drop caches every 3 seconds
while true; do
     sync && echo 3 | tee /proc/sys/vm/drop_caches > /dev/null
     sleep 3
done
EOF

sudo chmod +x /usr/local/bin/sys-cache-cleaner.sh

在后台运行

## In another terminal, start the cache cleaner script.
sudo -b /usr/local/bin/sys-cache-cleaner.sh

NOTE

+> 以上仅在当前会话中运行缓存清理器；它不会在重新启动后持续存在。要让缓存清理器在重新启动后运行，请创建一个 systemd 服务。
+>
+> 要停止后台缓存清理器：
+> bash +> sudo pkill -f sys-cache-cleaner.sh +>

步骤 5. 使用 NVIDIA 容器注册表进行身份验证

使用 NGC API Key 登录 NVIDIA 的容器注册表。

NOTE

如果您还没有 NVIDIA 账户，则必须创建一个账户并注册 developer program。

## Log in to NVIDIA Container Registry
docker login nvcr.io
## Username: $oauthtoken
## Password: <PASTE_NGC_API_KEY_HERE>

步骤6.选择部署场景

根据您的要求在两个部署选项之间进行选择：

部署场景	VLM（Cosmos-Reason2-8B）	LLM
标准 VSS（基础）	当地的	偏僻的
标准 VSS（警报验证）	当地的	偏僻的
标准VSS部署（实时警报）	当地的	偏僻的

步骤 7. 标准 VSS

Standard VSS（混合部署）

在此混合部署中，我们将使用 build.nvidia.com 中的 NIM。或者，您可以按照 VSS 远程 LLM 部署指南中的说明配置您自己的托管端点。

7.1 获取 NVIDIA API 密钥

登录 https://build.nvidia.com/explore/discover.
在页面中搜索“获取API Key”并点击。

7.2 启动标准 VSS 部署

Standard VSS deployment (Base)
Standard VSS deployment (Alert Verification)
Standard VSS deployment (Real-Time Alerts)

## Start Standard VSS (Base)
export NGC_CLI_API_KEY='your_ngc_api_key'
export LLM_ENDPOINT_URL=https://your-llm-endpoint.com
scripts/dev-profile.sh up -p base -H DGX-SPARK --use-remote-llm --llm <REMOTE LLM MODEL NAME>

## Start Standard VSS (Alert Verification)
export NGC_CLI_API_KEY='your_ngc_api_key'
export LLM_ENDPOINT_URL=https://your-llm-endpoint.com
scripts/dev-profile.sh up -p alerts -m verification -H DGX-SPARK --use-remote-llm --llm <REMOTE LLM MODEL NAME>

## Start Standard VSS (Real-Time Alerts)
export NGC_CLI_API_KEY='your_ngc_api_key'
export LLM_ENDPOINT_URL=https://your-llm-endpoint.com
scripts/dev-profile.sh up -p alerts -m real-time -H DGX-SPARK --use-remote-llm --llm <REMOTE LLM MODEL NAME>

NOTE

随着容器的拉取和服务的初始化，此步骤将需要几分钟的时间。 VSS 后端需要额外的启动时间。
部署前设置以下环境变量：
• NGC_CLI_API_KEY —（必需）用于拉取映像和部署的 NGC API 密钥
• LLM_ENDPOINT_URL —（使用 --use-remote-llm 时需要）远程 LLM 的基本 URL
• NVIDIA_API_KEY —（可选）适用于需要它的远程 LLM/VLM 端点
• OPENAI_API_KEY —（可选）对于需要它的远程 LLM/VLM 端点
• VLM_CUSTOM_WEIGHTS —（可选）自定义权重目录的绝对路径

将这些附加标志传递给 scripts/dev-profile.sh 以实现远程 LLM 模式：
• --use-remote-llm —（必需）使用远程 LLM，基本 URL 是从环境中的 LLM_ENDPOINT_URL 读取的
• --llm —（必需）远程LLM 模型名称（例如：nvidia/nvidia-nemotron-nano-9b-v2）。 强烈建议对于警报工作流程（验证和实时）：使用 nvidia/nvidia-nemotron-nano-9b-v2。省略 --llm 可能会导致脚本使用远程端点返回的任何模型。

运行 scripts/dev-profile.sh -h 以获得受支持参数的完整列表。

7.3 验证标准 VSS 部署

访问 VSS UI 以确认部署成功。
Common VSS Endpoints

## 测试智能体 UI 可访问性
## If running locally on your Spark device, use localhost:
curl -I http://localhost:3000
## Expected: HTTP 200 response

## If your Spark is running in Remote/Accessory mode, replace 'localhost' with the IP address or hostname of your Spark device.
## To find your Spark's IP address, run the following command on the Spark terminal:
hostname -I
## Or to get the hostname:
hostname
## Then test accessibility (replace <SPARK_IP_OR_HOSTNAME> with the actual value):
curl -I http://<SPARK_IP_OR_HOSTNAME>:3000

在浏览器中打开http://localhost:3000或http://<SPARK_IP_OR_HOSTNAME>:3000以访问智能体界面。

步骤 8. 测试视频处理工作流程

运行基本测试以验证视频分析管道是否根据您的部署正常运行。用户界面附带了一些预先填充的示例视频，用于上传和测试

对于标准 VSS 部署

按照步骤这里导航 VSS 智能体 UI。

访问 http://localhost:3000 处的 VSS 智能体界面
从 NGC 这里下载样本数据并上传视频和测试功能这里

步骤 9. 清理和回滚

要完全删除 VSS 部署并释放系统资源按说明操作：

WARNING

这将破坏所有处理过的视频数据和分析结果。

## For Standard VSS deployment
scripts/dev-profile.sh down

步骤 10. 后续步骤

部署 VSS 后，您现在可以：

标准VSS部署：

在端口 3000 访问完整的 VSS 功能
测试视频摘要和问答功能
配置知识图和图数据库
与现有视频处理工作流程集成

症状	原因	使固定
容器无法启动，并显示“拉取访问被拒绝”	nvcr.io 凭据缺失或不正确	使用有效凭据重新运行 `docker login nvcr.io`
Web 界面无法访问	服务仍在启动或端口冲突	等待 2-3 分钟，检查 `docker ps` 容器状态

NOTE

DGX Spark 使用统一内存架构 (UMA)，可实现 GPU 和 CPU 之间的动态内存共享。
由于许多应用程序仍在更新以利用 UMA，因此即使在
DGX Spark 的内存容量。如果发生这种情况，请使用以下命令手动刷新缓冲区缓存：

sudo sh -c 'sync; echo 3 > /proc/sys/vm/drop_caches'