在市场高速发展的同时，面向智慧社区场景的智能视频分析 系统也呈现出如下发展趋势：
实现云边端的融合
部署于边缘端的视频分析应用能够支持智慧社区部署轻量 级应用，直接在边缘端对数据进行清洗、预处理、聚合和 筛选，降低云或数据中心的数据处理压力，节省网络带 宽，同时加快特定环境下的应用响应速度。同时，在边缘 端经过预处理的数据可以传输到云端进行进一步的分析， 云端还可以对于模型进行训练，并将训练好的模型直接下 发到边缘端进行推理。
云边端协同架构不仅意味着基础硬件资源的架构统一，以 及资源的跨架构调度与运行，还将引入经过优化与验证的 软件系统。这将赋予基础设施出色的灵活性，实现资源的 自动弹性伸缩，让网络和边缘侧可以更好地得到云端的赋 能，最终加速业务创新与价值变现。
高集成度、轻量化设计
智慧社区的视频分析应用场景决定着其功耗、空间占用和 成本都受到较为严格的限制，通过高集成度的设计，有助 于满足社区在功耗和空间等方面的需求，同时也有助于降 低终端用户在部署与调优方面的门槛，并节约时间。同 时，由于硬件算力的不断提升，以及深度学习模型在性能 上的不断优化，即使是边缘计算盒等轻量级终端，也有可 能承担较为复杂的 AI 推理任务。
传统视觉负载与 AI 负载的整合
降低系统运维与部署复杂度、降低成本是用户对于视频分 析系统的重要需求。而随着硬件性能的提升，以及架构的 优化，视频分析系统有望在边缘端整合视频采集、视频解 码、门禁及楼宇对讲、车牌识别道闸等应用，降低基础设施部署所带来的昂贵成本。同时，由于工作负载的复杂 化，视频服务提供商需要实现应用跨架构开发、部署与运 行，以获得更高的敏捷性与灵活性。
对于智慧社区的新建用户，或是从传统社区向智慧社区转型 的用户而言，智能视频分析系统的部署并非一蹴而就，而是 面临如下挑战：
社区内已经部署了大量非智能摄像头，如果采取重新建设 的方式，将其更换为智能摄像头，将导致旧摄像头资源的 浪费，带来较高的成本负担。
传统方案通常采用云端进行 AI 推理的方式来进行图像识 别，但是这种方式对于云平台、网络都有一定的要求，而 且有可能因为网络问题导致服务不稳定或中断。
传统方案在应用灵活性、成本、扩展性等方面存在着一定 的瓶颈，使得智慧视频系统面临一定的限制。
