文件预检
浏览器先计算 SHA-256。若文件已经存在，直接返回已有记录，不再重复上传和推理。
→/
← 返回 AI 产品项目01 02 03 04 05
01 02 03 04 
01重复文件：返回已有标签，不再上传 
02新文件：通过校验后上传并进入处理链路 
03OCI 辅助链路：audit 目录持续收到跨云审计 JSON 
AI PRODUCT PROJECT / 03
Aussie EcoLens野生动物媒体 AI 处理链路
问题
一张野生动物照片上传后，不该只是被存起来。系统还要判断它有没有重复、生成方便浏览的缩略图、从视频里抽出关键帧，再识别物种并把结果写回目录。我的工作，是把这些零散能力接成一条能持续运行的链路。
Monash 学生项目全链路独立搭建AWS + OCI · Multi-cloud曾完成线上部署
项目范围
从登录、上传，到识别、检索和通知。
我完成了 React 前端、Cognito 登录、文件去重、图片与视频处理、两阶段识别、DynamoDB 索引、查询与标签管理、物种订阅，以及 AWS 到 OCI 的审计链路。本页重点拆解媒体处理与 ML Pipeline。
我搭的链路
先处理文件，再让模型判断。
介质处理
图片保持比例生成压缩缩略图；视频按 1 fps 抽帧，避免把整段视频一次塞给模型。
→目标检测
MegaDetector v5a 先找出画面里的动物，减少背景和无关区域对分类的干扰。
→物种分类
SpeciesNet 再判断物种；阈值、冷启动和逐帧任务都被单独处理。
→结果入库
把文件信息和标签写入 DynamoDB 的 Files / TagIndex，让后面的检索可以直接使用。
处理约束
每一步都写清输入、判断和输出。
| 环节 | 输入 | 关键判断 | 输出 / 证据 |
|---|---|---|---|
| 01文件预检 | SHA-256 文件摘要 | 命中已有文件时，停止重复上传与推理 | 已有文件与标签记录 |
| 02视频处理 | 视频文件 | 按 1 fps 拆成独立帧任务 | 抽帧任务 |
| 03目标检测 | 图片 / 视频帧 | 先由 MegaDetector v5a 定位动物区域 | 动物候选框 |
| 04物种分类 | 动物候选区域 | 再由 SpeciesNet 判断物种 | 物种标签 |
| 05跨云审计 | AWS 业务事件 | 将审计 JSON 写入 OCI Object Storage | 可追溯的跨云记录 |
产品判断
为什么不让一个模型从头做到尾？
先去重
重复文件如果继续上传，会重复占用存储、推理时间和用户等待。把去重放在最前面，是最便宜也最确定的一次判断。
检测与分类分开
第一步回答“画面里有没有动物、在哪儿”，第二步再回答“它是什么”。链路更容易定位错误，也能分别调整阈值。
视频按帧处理
1 fps 是覆盖率与计算成本之间的取舍。每一帧独立分发，即使个别任务失败，也不必让整段视频重跑。
模型可以替换
模型版本放在 DynamoDB 指针里。换模型时更新指针即可，不需要跟着改代码、重新部署整条链路。
运行证据
主链路在 AWS，审计记录落到 OCI。
前两张图证明上传、去重和标签目录确实跑过；第三张图能看到 OCI Object Storage 中持续写入的审计 JSON。多云不是架构图上的两个框，而是 AWS 处理业务、OCI 留下跨云记录。
完整系统
从上传一张照片，到搜到识别结果。
前端负责登录、上传、搜索和订阅；AWS 承接文件存储、媒体处理、模型推理和索引；OCI 留下跨云审计记录。用户从上传一张照片开始，最后能搜到识别结果，也能订阅关心的物种。
复盘
模型识别出来，只是产品链路的中点。
这次项目让我真正关心的，不只是模型能不能给出一个标签，而是重复文件要不要再跑、视频怎样拆才不会拖垮任务、失败能不能局部重试、模型升级会不会牵动整套系统。把这些选择想清楚，AI 才从一次推理变成一个可以继续使用的产品。