边缘计算标签_码道开发者社区

边缘计算

边缘计算中的Transformer优化与多模态情感识别实践

Transformer架构作为当前AI领域的核心技术，通过自注意力机制实现了对序列数据的高效建模。在边缘计算场景下，模型轻量化与硬件加速成为关键挑战。本文介绍了一种针对Edge TPU优化的Transformer变体，结合多模态融合技术，在仅1.8MB内存占用下实现23ms延迟的实时情感识别。该方案通过硬件感知的模型设计、晚期融合架构和频谱对齐技术，显著提升了边缘设备上的AI推理效率。典型应用包括

 weixin_30252709
2026-04-22 14:01:23

 386

 8

#边缘计算
别再只盯着MobileNet了！手把手教你用PyTorch实现iRMB模块（附完整代码）

本文详细介绍了iRMB（Inverted Residual Mobile Block）模块在轻量化网络设计中的创新应用，通过PyTorch实现完整代码并验证其在CIFAR-10分类任务中的优越性能。iRMB巧妙结合深度卷积和窗口注意力机制，解决了传统模块在移动端部署中的性能瓶颈，同时提供了在Jetson Nano等边缘设备上的优化部署策略。

weixin_30522183
2026-05-07 07:22:22

 156

#边缘计算
边缘计算中的轻量级多模态大语言模型Megrez-3B-Omni

多模态大语言模型（MLLM）通过整合文本、图像和语音等多种数据模态，实现了更丰富的人机交互体验。其核心技术在于跨模态表示学习，通过共享的语义空间将不同模态数据映射到统一维度。在工程实践中，这类模型面临边缘设备部署的挑战，需要平衡计算效率和模型性能。Megrez-3B-Omni创新性地采用动态分辨率视觉处理和分组查询注意力(GQA)机制，在仅3B参数规模下实现了多模态高效处理。该技术特别适用于智能汽

 weixin_30632883
2026-05-13 10:56:10

 458

 12

#边缘计算
保姆级教程：手把手教你为YOLOv5模型编写TensorRT INT8校准器（附完整代码）

本文提供了一份详细的YOLOv5模型TensorRT INT8量化教程，涵盖校准器编写、边缘部署全流程。通过解析INT8量化核心原理、校准数据集构建及量化效果验证，帮助开发者实现推理速度提升2-3倍，同时仅损失约1%的mAP精度。特别针对YOLOv5特性适配和常见问题提供了实用解决方案。

weixin_38166852
2026-05-24 11:52:05

 608

 8

#边缘计算
基于YOLOv5的电梯电动车检测系统设计与优化

目标检测是计算机视觉领域的核心技术，通过深度学习算法实现对特定物体的识别与定位。YOLO系列算法因其实时性优势，成为边缘计算场景的首选方案。在智慧社区建设中，电动车入梯检测系统需要解决小目标识别、环境干扰等工程挑战。通过优化YOLOv5模型结构，引入注意力机制和特征融合技术，可显著提升电梯场景下的检测精度。实际部署时，结合TensorRT加速和INT8量化技术，能在Jetson等边缘设备上实现高效

 18790970257
2026-07-02 13:22:34

 423

 9

#目标检测 #边缘计算
AI视觉识别在餐饮后厨安全监管中的实践

计算机视觉作为AI核心技术之一，通过深度学习算法实现对图像视频的智能分析。其核心原理是卷积神经网络(CNN)提取特征，结合目标检测、行为识别等技术实现场景理解。在工业领域，边缘计算架构将AI能力下沉到设备端，既保障实时性又解决数据隐私问题。餐饮后厨作为典型工业场景，面临卫生监管、安全防控等痛点。基于YOLOv7等改进算法，结合多光谱融合、动态背景建模等技术，可实现对厨帽佩戴、鼠患活动等违规行为的精

 weixin_34289454
2026-07-25 14:16:39

 337

 11

#边缘计算
华为Atlas200DK开发板合设环境搭建避坑指南（含人像语义分割实战）

本文详细介绍了华为Atlas200DK开发板的环境搭建步骤及人像语义分割实战指南。从SD卡初始化、系统镜像烧录到网络配置，提供完整避坑方案，并演示如何部署人像语义分割模型，帮助开发者快速上手边缘AI开发。

weixin_30296405
2026-03-25 00:56:41

 441

 5

#华为 #人工智能 #边缘计算
YOLOv12实战评测：在T4 GPU上1.64ms完成检测，精度反超YOLOv10/v11的秘诀

本文深入评测YOLOv12在T4 GPU上的性能表现，揭示其1.64ms超快检测速度与精度反超YOLOv10/v11的工程密码。通过区域注意力机制、内存访问优化和残差高效层聚合网络等创新设计，YOLOv12在目标检测领域实现突破性进展，特别适合边缘计算和实时检测场景。

weixin_30415113
2026-03-25 00:34:20

 478

 6

#目标检测 #边缘计算
别再死磕YOLOv8了！用SSD在Jetson Nano上5分钟搞定实时障碍物检测（附完整代码）

本文详细介绍了如何在Jetson Nano边缘设备上快速部署SSD算法实现高效障碍物检测。通过对比YOLO、SSD和Faster RCNN在边缘计算场景下的性能表现，证明SSD在速度和资源消耗上具有明显优势。文章提供完整的代码实现和优化技巧，帮助开发者在5分钟内完成从环境配置到实时检测的全流程部署。

weixin_30505225
2026-03-25 01:24:28

 442

 11

#边缘计算
我的K210开发踩坑实录：从MaixPy固件选型到模型部署的十个‘坑’与解决方案

本文分享了K210开发过程中的十大常见问题及解决方案，涵盖MaixPy固件选型、开发环境搭建、模型部署等关键环节。针对Maix Bit开发板，详细解析了内存管理、摄像头优化、电源管理等实战技巧，帮助开发者高效避坑，提升边缘计算项目的开发效率。

weixin_30823001
2026-03-25 01:27:35

 487

 12

#边缘计算
MobileNetV3实战：5分钟搞定PyTorch模型部署到树莓派（附完整代码）

本文详细介绍了如何将MobileNetV3轻量级网络模型从PyTorch部署到树莓派，包括模型优化、量化、ONNX导出及C++推理实现。通过实战代码和性能数据展示，帮助开发者快速掌握边缘计算场景下的高效模型部署技巧，显著提升嵌入式设备的AI推理能力。

weixin_30892037
2026-03-25 01:26:49

 465

 11

#边缘计算
用Jetson AGX Xavier和YOLOv5打造智能安防系统：实时烟雾火焰检测

本文详细介绍了如何利用NVIDIA Jetson AGX Xavier开发套件和YOLOv5目标检测模型构建高性能的实时烟雾火焰检测系统。从硬件配置、开发环境搭建到模型训练与优化，再到系统集成与性能调优，提供了一套完整的实战指南，帮助开发者快速部署智能安防解决方案。

weixin_30399821
2026-03-26 02:56:51

 356

 4

#边缘计算
保姆级教程：在Jetson AGX Orin上从零部署YOLOv8（含JetPack 5.1.2、PyTorch 2.1.0、torchvision 0.16.2完整配置流程）

本文提供在Jetson AGX Orin上从零部署YOLOv8的完整教程，涵盖JetPack 5.1.2、PyTorch 2.1.0和torchvision 0.16.2的配置流程。详细步骤包括基础环境准备、PyTorch安装、torchvision配置以及YOLOv8模型部署和性能优化，帮助开发者快速搭建高效的边缘计算运行环境。

weixin_30832143
2026-03-26 04:15:22

 272

 5

#边缘计算
深度学习中的CSPNet：优化网络结构与性能的实践指南

本文深入解析了CSPNet在深度学习中的核心优势与实践应用，详细介绍了如何通过通道拆分和梯度流重组优化网络结构与性能。CSPNet有效解决了计算效率低下、内存占用过高和梯度信息冗余三大痛点，特别适合边缘计算场景。文章还提供了将CSPNet思想移植到ResNet和YOLO系列模型的实战指南，帮助开发者提升模型效率与精度。

weixin_30399821
2026-03-27 03:15:05

 450

 11

#深度学习 #边缘计算
从零构建PyTorch MobileNetV3-SSD：面向边缘计算的车辆检测实战

本文详细介绍了如何从零构建PyTorch MobileNetV3-SSD模型，实现边缘计算环境下的高效车辆检测。通过对比分析，MobileNetV3-SSD在Jetson Nano上达到23FPS的推理速度和72.1%的mAP，显著优于其他轻量级模型。文章涵盖网络搭建、数据增强、模型训练、量化部署等全流程实战技巧，并提供了TensorRT加速和常见问题解决方案，帮助开发者快速实现边缘端车辆检测应用

 weixin_30374009
2026-03-27 03:46:58

 431

 12

#边缘计算
智慧交通监控避坑指南：YOLO+多模态大语言模型实战中的5个常见问题及解决方案

本文深入探讨了智慧交通监控系统中YOLO与多模态大语言模型结合应用的5个常见问题及解决方案。从实时视频流处理的帧率优化到多模态特征融合的维度适配，再到边缘计算环境下的模型瘦身策略，为开发者提供了实战经验和技术指导，助力智慧交通系统的高效部署与性能提升。

weixin_30338481
2026-03-27 03:40:03

 449

 9

#边缘计算
从云服务器到边缘计算：聊聊华为鲲鹏920/916系列ARM处理器的真实应用场景与选型建议

本文深入探讨了华为鲲鹏920和916系列ARM处理器在云计算与边缘计算中的实际应用与选型策略。鲲鹏920凭借高密度计算和卓越能效比，在云端场景表现突出；而鲲鹏916则以低功耗和稳定性成为边缘计算的理想选择。文章通过性能对比、部署建议和成本分析，为技术团队提供全面的选型指南。

weixin_30832143
2026-03-28 02:37:55

 486

 6

#云计算 #边缘计算
保姆级教程：在华为Atlas 200DK A2开发板上，从YOLOv5迁移到YOLOv8的完整避坑指南

本文提供在华为Atlas 200DK A2开发板上从YOLOv5迁移到YOLOv8的完整指南，涵盖模型转换、后处理优化和性能调优。重点解析YOLOv8与YOLOv5的关键差异，包括ONNX导出参数设置、输出数据结构变化及NMS优化策略，帮助开发者在边缘设备上高效部署最新目标检测模型。

weixin_30342209
2026-03-28 04:41:47

 460

 3

#目标检测 #边缘计算
AAAI2025 | 前沿论文速览：聚焦生成式AI与多模态融合的创新应用

AAAI2025会议展示了生成式AI与多模态融合的前沿创新，涵盖从创造性工作流到边缘计算的突破性进展。论文《DiffExp》和《LLM-Fusion》等研究实现了AI在药物设计、材料科学等领域的自主探索与科学发现。多模态技术从拼接走向深层融合，医疗诊断和手术导航应用显著提升精度。边缘计算方面，《GenAI at the Edge》等框架使大模型高效运行于终端设备，推动实时应用发展。

weixin_30335575
2026-03-29 02:59:38

 406

 6

#生成式AI #边缘计算
5分钟搞定！用OpenCV DNN模块部署10种轻量级人脸检测模型（附Python/C++代码）

本文详细介绍了如何在边缘计算场景下使用OpenCV DNN模块高效部署10种轻量级人脸检测模型，包括UltraFace、LFFD等。提供了Python和C++的实战代码，并分享了模型选型、环境配置、性能优化等关键技巧，帮助开发者在智能安防、移动支付等实时性要求高的场景中快速实现高效人脸检测。

weixin_30342209
2026-03-30 02:24:35

 272

 2

#边缘计算
GhostNet背后的设计哲学：为什么说‘廉价操作‘才是轻量化的未来？

本文深入探讨了GhostNet的设计哲学，揭示了'廉价操作'如何成为轻量化网络的未来。通过分析特征冗余性和线性变换的应用，GhostNet在保持高性能的同时大幅降低了计算成本，特别适合移动端和边缘计算设备。文章还提供了Ghost模块和Ghost Bottleneck的详细实现，展示了其在ImageNet等任务上的优越表现。

weixin_30952535
2026-03-30 04:20:26

 415

 10

#深度学习 #边缘计算
模型量化实战：基于KL散度的动态阈值寻优

本文深入探讨了基于KL散度的动态阈值寻优在模型量化中的实战应用。通过分析KL散度如何有效衡量量化前后数据分布的差异，并详细介绍了动态搜索算法的工程实现与优化技巧，帮助开发者在边缘设备上实现高效的INT8量化，同时保持模型精度。文章还提供了工业级优化的实战经验和常见问题解决方案，为模型量化部署提供了实用指导。

weixin_30952535
2026-03-31 03:05:48

 415

 8

#边缘计算
从农业霜冻预警到风电调度：拆解风源AI模型在边缘计算的3个落地案例

本文深入解析风源AI模型在边缘计算中的三大应用场景，包括农业霜冻预警和风电调度。通过模型压缩技术和异构计算适配，实现分钟级响应的灾害预警与资源调度，显著提升农业与能源行业的智能化水平。结合气象AI技术，展示了中国在边缘计算领域的创新实践。

weixin_30689307
2026-03-31 03:37:17

 417

 4

#边缘计算
告别PyTorch依赖：在边缘设备上为YOLOv5 TensorRT模型编写纯NumPy后处理（附NMS实现代码）

本文详细介绍了如何在边缘设备上为YOLOv5 TensorRT模型编写纯NumPy后处理流程，包括核心的NMS算法实现。通过替代PyTorch依赖，显著降低了内存占用和启动时间，提升了在Jetson Nano等资源受限设备上的部署效率。方案包含TensorRT输出解析、坐标转换和NMS实现，适用于智能零售、工业质检等边缘计算场景。

weixin_30275415
2026-04-01 02:13:39

 388

 7

#边缘计算
别只盯着mAP了：聊聊YOLOv11在垃圾分类任务中的‘实战’性能与部署成本

本文深入探讨了YOLOv11在垃圾分类任务中的实际性能与部署成本，揭示了实验室指标与实际应用间的巨大差距。通过分析边缘设备上的帧率博弈、量化压缩的临界点以及系统工程中的隐藏成本，为开发者提供了实用的优化策略和部署建议，帮助实现从POC到量产的高效过渡。

weixin_30399821
2026-04-01 02:43:34

 448

 8

#目标检测 #边缘计算
为什么说EfficientNet是CV工程师的瑞士军刀？从MobileNetV3到ConvNeXt的横向对比

本文深入探讨了EfficientNet作为计算机视觉工程师的瑞士军刀的原因，通过对比MobileNetV3、ShuffleNet和ConvNeXt等轻量级CNN架构，揭示了EfficientNet在模型大小、推理速度和准确率之间的精妙平衡。文章详细解析了EfficientNet的复合缩放策略和MBConv模块设计，并提供了实战部署建议和迁移学习技巧，帮助开发者在边缘计算和工业视觉等场景中高效应用。

weixin_30335575
2026-04-01 02:48:05

 442

 8

#计算机视觉 #边缘计算
从数据集到部署：YOLOv11+DroneVehicle实战，让你的无人机‘看懂’车流

本文详细解析了基于YOLOv11的无人机实时车流检测系统全流程，涵盖数据集处理、模型训练到边缘部署的实战经验。通过优化DroneVehicle数据集处理和YOLOv11模型部署，实现了在无人机动态视角下的高效车辆目标检测，适用于城市交通监控等场景。

weixin_30823001
2026-04-01 03:10:33

 468

 8

#无人机 #边缘计算
轮廓革命：从ImageNet到边缘计算，一个9层递归树如何终结深度学习的霸权

本文探讨了ContourNet-9如何通过轮廓革命挑战深度学习的霸权。这一9层递归树结构在ImageNet零样本任务中表现出色，准确率达93.7%，且特征模板仅7.8KB，远优于传统深度学习模型。其跨域泛化能力和边缘计算优势，使其在工业质检、人脸识别等领域实现高效应用，同时具备出色的可解释性。

weixin_30338481
2026-04-01 02:57:02

 336

 2

#深度学习 #边缘计算
智能口罩检测实战：基于YOLOv8的公共场所防疫系统部署指南

本文详细介绍了基于YOLOv8的智能口罩检测系统在公共场所防疫中的实战部署指南。从模型选择、数据准备、参数调优到边缘设备部署，全面解析了如何利用YOLOv8的高精度和实时性优势构建高效防疫系统，特别适合需要快速部署口罩检测的场景。

weixin_30352645
2026-04-01 03:19:35

 455

 8

#边缘计算
告别云服务器：用树莓派5本地部署YOLOv8，打造你的离线AI视觉小站（附性能实测）

本文详细介绍了如何在树莓派5上本地部署YOLOv8模型，打造离线AI视觉应用。从硬件配置、系统优化到模型部署和性能实测，提供完整指南，帮助开发者实现隐私保护、实时响应的边缘AI解决方案，适用于智能家居、安防监控等场景。

weixin_33737774
2026-04-01 04:15:14

 476

 4

#边缘计算
实测对比：YOLO11-seg在QCS8550上跑INT8/FP16/FP32，哪个精度和速度更香？

本文实测对比了YOLO11-seg在高通QCS8550平台上运行INT8、FP16和FP32三种精度模式的性能差异。结果显示，INT8量化在速度上提升显著，达到180.51 FPS，但精度损失约5%；FP16在保持接近FP32精度的同时，速度提升7.2倍。文章还提供了不同应用场景的选型建议和优化技巧，为边缘AI部署提供数据支撑。

weixin_33724046
2026-04-04 02:15:41

 255

 5

#边缘计算
基于YOLOv5的智能交通信号灯控制系统设计与优化

目标检测技术作为计算机视觉的核心领域，通过深度学习算法实现对图像中特定对象的识别与定位。YOLOv5凭借其轻量级架构和高推理速度，成为边缘计算场景下的首选方案。在智慧交通系统中，该技术能实时分析车流密度，结合LSTM预测模块实现信号灯的自适应控制，有效提升道路通行效率30%以上。针对实际部署中的暴雨误检、黄昏漏检等工程挑战，采用时序滤波和Retinex增强等技术手段进行优化。通过树莓派与Intel

ai_longyu
2026-07-20 14:17:16

 462

 8

#边缘计算
基于深度学习的工厂人员行为检测系统设计与优化

深度学习作为计算机视觉的核心技术，通过卷积神经网络(CNN)和注意力机制等算法实现高效特征提取。在工业场景中，边缘计算与云端协同的架构设计大幅提升了系统实时性，其中ResNet18和YOLOv5等模型经过针对性优化后，可满足工厂安全检测、在岗监控等需求。本项目融合了TensorRT加速和半精度计算等部署技巧，在Jetson Nano边缘设备上实现了15FPS的实时处理能力。这种智能化解决方案能有效

 weixin_33770878
2026-07-25 09:38:28

 602

 11

#深度学习 #边缘计算
YOLOv8转RKNN模型时，为什么必须手动去掉Sigmoid？一次讲透量化原理与节点选择

本文深入解析了YOLOv8模型转换为RKNN格式时需手动去掉Sigmoid激活函数的原因，详细介绍了量化原理与节点选择策略。通过分析INT8量化的数学变换和RKNN算子支持限制，提供了优化转换流程和调试技巧，帮助开发者在边缘设备上高效部署YOLOv8模型。

weixin_33743248
2026-04-15 17:58:56

 156

 1

#边缘计算
避坑指南：为什么你的Jetson装PyCUDA总失败？从CUDA版本匹配到编译错误的完整解决方案

本文详细解析了在Jetson平台上安装PyCUDA时常见的七大问题，包括CUDA路径配置、版本兼容性、编译优化等，并提供了从诊断到解决方案的全链路指南。特别针对Jetson设备的特性，如内存限制和ARM架构，给出了实用的优化建议和深度测试方案，帮助开发者高效部署PyCUDA。

weixin_33690367
2026-04-15 20:56:30

 478

 14

#Jetson #边缘计算
模型量化实战：从公式到代码，手把手教你压缩AI模型

本文详细介绍了模型量化技术，从基础公式到代码实现，手把手教你如何压缩AI模型。通过量化，模型体积可缩小4倍，推理速度提升2-4倍，特别适合资源有限的边缘设备。文章涵盖了对称与非对称量化、动态范围计算等高级技巧，并提供了PyTorch和TensorRT的实战案例，帮助开发者在精度和效率之间找到最佳平衡点。

weixin_30482181
2026-04-17 02:13:31

 331

 11

#边缘计算
避坑指南：YOLOv3模型量化时，你的样本图片真的准备对了吗？

本文深入探讨了YOLOv3模型量化过程中样本图片准备的关键要点与常见陷阱。通过分析量化原理和实战案例，揭示了样本数量、多样性和预处理对模型性能的影响，并提供了Vitis-AI环境下量化样本准备的黄金法则，帮助开发者避免精度损失，优化边缘设备部署效果。

你狗
2026-04-20 04:31:44

 156

 1

#边缘计算