1. [首页 ](/) DAQIRI # NVIDIA DAQIRI NVIDIA DAQIRI 是一个软件定义的数据采集库，可将高带宽仪器与传感器数据接入适配 GPU 的工作流。它能够帮助团队摒弃“先采集、存储，之后再分析”的传统模式，在边缘实现实时处理、传感器自动控制、AI 推理、过滤、缺陷检测和运行状态监测，让团队能够基于实时数据快速作出角决策。 [开始使用](https://nvidia.github.io/daqiri/getting-started/ "Get Started")[文档](https://github.com/NVIDIA/daqiri "Documentation")[论坛](https://forums.developer.nvidia.com/c/robotics-edge-computing/55 "Forum") * * * ## 边缘超级计算转型 新一代科学仪器、自动化生产线和高速率传感器网络，正受困于 **“先存储、后分析”** 的传统架构瓶颈。 当高带宽数据必须先写入磁盘才能开展处理时，关键洞察往往滞后，无法及时影响实验结果、制造良率、设备运行时长或高风险决策。 NVIDIA DAQIRI 可将任意仪器的数据采集节点升级为具备 AI 能力的边缘超级计算机，将传感器和探测器的原始数据直接流式传输至 GPU 显存，完成实时处理、过滤、推理和控制。 ![Diagram demonstrating how DAQIRI routes raw instrument sensor streams into GPU memory for real-time tensor processing.](https://developer.download.nvidia.com/images/daqiri/daqiri-data-flow-1920x1080.png) 从“先存储、后分析”到实时发现。 * * * ## 架构与生态系统集成 DAQIRI 可将高带宽仪器、探测器与工业传感器接入 NVIDIA 加速计算体系，无需相关团队掌握高速网络、探测器设计或 GPU 显存管理的专业技能。 NVIDIA DAQIRI 是软件定义的数据采集、可对接 GPU 的数据层。它对底层复杂的网络与硬件数据传输机制进行抽象，开发者可通过标准 C++ 或 Python 工作流处理原始流式数据。只要传感器或仪器支持以太网通信，DAQIRI 即可接入其数据，无需修改传感器硬件或软件。 DAQIRI 部署在各类后端运行时的上游。它将原始 UDP 和 RoCE v2 数据流转换为 NVIDIA CUDA™ 可访问的内存格式，供各类工具高速调用，例如用于传感器处理的 NVIDIA Holoscan、用于 AI 推理优化的 NVIDIA TensorRT™，以及用于数字孪生可视化的 NVIDIA Omniverse™。 ![Diagram demonstrating how DAQIRI routes raw instrument sensor streams into GPU memory for real-time tensor processing.](https://developer.download.nvidia.com/images/daqiri/daqiri-architecture-1920x1080.png) ### DAQIRI 快速入门指南 了解如何初始化流式传输接口、分配 GPU 内存缓冲区，以及运行首个 DAQIRI Python 流水线。 [浏览指南](https://nvidia.github.io/daqiri/#getting-started) ### 借助 DAQIRI 实现用于高速数据采集的实时 AI DAQIRI 可将高带宽科学仪器和传感器以线速直接接入 NVIDIA CUDA-X™ 库。 [阅读博客](https://developer.nvidia.cn/blog/enable-real-time-ai-for-high-speed-data-acquisition-with-daqiri/) ### 直接流式传输至 Holoscan 通过本实操教程，将 DAQIRI 与 Holoscan 相连，搭建一套实时传感器处理流水线。 [查看教程](https://nvidia.github.io/daqiri/tutorials/daqiri-holoscan-integration/) ### 五分钟从零到张量 通过动手实践教程，了解如何将 UDP 传感器输出直接流式传输至 PyTorch 和 TensorRT 的 GPU 内存结构。 [观看教程](https://nvidia.github.io/daqiri/tutorials/daqiri-resnet-inference/) * * * ## 主要功能 ### 源头实时处理 将计算能力直接部署至仪器端，摆脱离线分析的局限。在实验或生产任务运行期间，即可执行实时重建、推理、滤波以及反馈回路运算。 ### 连接 NVIDIA CUDA-X 简化底层数据流转。DAQIRI 将原始 UDP 和 RoCE v2 数据流转换为适配 GPU 的张量格式，为接入 NVIDIA Holoscan、TensorRT、Omniverse 等下游框架提供了顺畅通路。 ### 降低存储与网络开销 传输洞察结果，而非原始数据。在边缘侧完成实时数据精简与提取，减轻存储系统、本地网络基础设施和中心云资源的压力。 ### 迈向自主仪器之路 实现智能化软件定义控制。将传感器读数直接接入 AI 模型，支持实时分流处置、闭环反馈、自动缺陷检测和自适应系统行为。 * * * ## 开始使用 NVIDIA DAQIRI DAQIRI 对 UDP、RoCE v2/RDMA、NVIDIA GPUDirect™ RDMA 和 GPUDirect Storage 中的底层数据搬移与缓冲区分配进行抽象，并将流式数据传输至 CUDA 可访问的内存；在支持的情况下，数据可通过零拷贝路径完成传输。 **Python | C++** **DAQIRI 使用指南** 首先配置 DAQIRI 的顶层设置。此配置用于建立原始数据流传输路径，分配一个 CPU 核心来管理 DAQIRI，并精简日志输出以满足部署要求。 %YAML 1.2 --- daqiri: cfg: version: 1 stream\_type: "raw" # Use DAQIRI's high-speed DPDK/GPUDirect path. master\_core: 3 # CPU core used to start and manage DAQIRI. log\_level: "info" 接下来，定义 DAQIRI 将使用的 GPU 内存区域。原始数据包缓冲区通过 GPUDirect 写入 rx\_packets ，完成重排序后的张量则存储在 rx\_tensor 中，供 GPU 工作负载使用。缓冲区大小还明确体现了 int4-to-fp16 扩展。 memory\_regions: - name: "rx\_packets" kind: "device" # Raw packets land directly in GPU memory. affinity: 0 # Use GPU 0. num\_bufs: 16384 buf\_size: 8192 # Headers + sequence number + 8000B payload. - name: "rx\_tensor" kind: "device" # Reordered output also stays on the GPU. affinity: 0 num\_bufs: 128 # Number of completed tensors DAQIRI can queue. buf\_size: 32768000 # 1024 packets \* 8000 int4 bytes \* 4 bytes after fp16 expansion. 随后，将该配置绑定到物理接收接口。此操作通过 PCIe 地址指定 NIC，启用流隔离，并分配一个轮询队列。该队列每批处理 1024 个数据包，同时可在 2 毫秒后刷新，避免下游处理无限期等待。 interfaces: - name: "rx0" address: "0000:00:00.0" # RX NIC PCIe address from lspci. rx: flow\_isolation: true # Only packets matching the flow below are accepted. queues: - name: "q0" id: 0 cpu\_core: 9 # CPU core polling the NIC queue. batch\_size: 1024 # Build tensors from 1024 packets. timeout\_us: 2000 # Flush a partial batch after 2 ms. memory\_regions: ["rx\_packets"] 还可在配置中添加其他设置，例如数据流、数据包重排序规范和类型转换。. 将这些详细信息写入 YAML 后，应用程序代码可有意保持精简：先从配置文件初始化 DAQIRI，再向 DAQIRI 请求下一组已完成采集的突发数据。当应用程序收到指针时，DAQIRI 已将数据包重新排序为存储在连续 GPU 内存中的张量，因此代码可将其直接传递给模型或 CUDA 内核。 // Initialize DAQIRI with a config file. daqiri::daqiri\_init("rx\_reorder.yaml"); daqiri::BurstParams\* burst = nullptr; // Receive packets; DAQIRI reorders them into contiguous GPU memory. daqiri::get\_rx\_burst(&burst); // The reordered batch is now a GPU tensor ready for processing/inference. auto\* tensor = daqiri::get\_packet\_ptr(burst, 0); run\_model\_or\_kernel(tensor); GPU 任务完成后，将缓冲区归还给 DAQIRI，以便在下一次突发传输中重复使用。 * * * ## 灵活的访问与部署选项 根据开发环境和软件部署管线选择合适的访问路径。 ![decorative icon](https://developer.download.nvidia.com/icons/m48-workflow-complex.svg) ### GitHub 代码仓库 获取开源绑定、C++ 数据摄取封装器示例以及 Python 工作流集成代码。 [访问 GitHub 代码仓库](https://nvidia.github.io/daqiri/) ![decorative icon](https://developer.download.nvidia.com/icons/m48-demo-topics.svg) ### 容器化构建 在集成所需用户态网络依赖项的容器中构建 DAQIRI，其中包括已应用补丁的 DPDK，以支持高吞吐量以太网和 GPUDirect 工作流。 [使用容器建构](https://nvidia.github.io/daqiri/getting-started/#container-build) ![decorative icon](https://developer.download.nvidia.com/icons/accelerate-computing-with-cuda-c-or-c-plus-plus.svg) ### C++ API 与构建说明 使用 CMake 从源代码构建 DAQIRI，或采用推荐的容器工作流，配置高速 UDP、RoCE 和 GPUDirect 数据通路。 [查看入门指南](https://nvidia.github.io/daqiri/getting-started/) * * * ## 性能基准测试 NVIDIA 边缘超级计算平台的高吞吐量数据摄取基准测试，展示数据包以线速直接传输至 GPU 内存的性能。 ### NVIDIA IGX Thor™ 开发者套件 ![](https://developer.download.nvidia.com/images/daqiri/daqiri-thor-benchmark-1920x1080.png) ### NVIDIA HGX™ / DGX™ 边缘节点 ![](https://developer.download.nvidia.com/images/daqiri/daqiri-dgx-spark-benchmark-1920x1080.png) * * * ## 学习资源库 文档 NVIDIA DAQIRI Core C++ 和 Python API 参考 **NVIDIA DAQIRI** 完整的函数、缓冲区管理、协议绑定以及内存管理 API 文档。 代码示例 借助 RoCE v2 实现零拷贝数据包流式传输 **NVIDIA DAQIRI** 可下载的 C++ 示例，演示如何以线速采集数据包并将其直接写入目标 GPU 设备内存。 指南 将 DAQIRI 数据流连接至 NVIDIA Holoscan **NVIDIA DAQIRI** 分步教程：如何将采集的传感器数据流直接接入 Holoscan 管线，实现实时可视化。 * * * ## 更多资源 ![Decorative image representing Developer Newsletter](https://developer.download.nvidia.com/icons/m48-email-settings.svg) ### 订阅开发者咨询 ![NVIDIA Rivermax FAQ](https://developer.download.nvidia.com/icons/m48-misc-question-faq.svg) ### 常见问题解答 ![Decorative image representing Developer Program](https://developer.download.nvidia.com/icons/m48-developer-1.svg) ### 加入 NVIDIA 开发者计划 * * * ## AI 伦理 NVIDIA 认为值得信赖的 AI 是一项共同的责任，我们制定了相关政策和实践来支持各种 AI 应用的开发。根据我们的服务条款下载或使用时，开发者应与其支持的模型团队合作，确保此模型满足相关行业和用例的要求，并解决不可预见的产品滥用问题。 有关此模型道德因素的更多详细信息，请参阅模型卡 可解释性、偏差、安全性和隐私子卡。请单击[此处](https://www.nvidia.cn/support/submit-security-vulnerability/)报告安全漏洞或 NVIDIA AI 问题。 立即开始使用 NVIDIA DAQIRI [开始使用](https://github.com/NVIDIA/daqiri "Download")