登录社区云，与社区用户共同成长
邀请您加入社区
NVIDIA Jetson Orin™ Nano 开发者套件是一款尺寸小巧且性能强大的超级计算机，重新定义了小型边缘设备上的生成式 AI。它采用了性能强大的Orin架构模块，在体积小巧的同时提供高达40 TOPS的AI算力，能够无缝运行各种生成式 AI 模型，包括视觉变换器、大语言模型、视觉语言模型等，为开发者、学生和创客提供了一个高性价比且易于访问的平台。图注：NVIDIA Jetson Ori
比如AB两台PLC分属于不同网段（A：192.168.1.100,和B：192.168.2.100），中间由一台支持NAT功能的网关互联，如WC503，NAT网关将B设备的地址转换为A设备的同网段地址，从而实现跨网段通信功能。此外，也能通过分别部署两台工业网关，分别采集设备数据后再对接到交换机中，从而实现数据交互与共享。这种模式不仅仅实现了跨网段通信，也实现了数据采集，因此对于上位机或云服务器的计
FPGA应用开发是技术活，也是堆人手吃经验的体力活，自四十年前发明以来，因仿真加速而生，硬件加速而兴起，AI加速而盛。从现在AI代替的进展看，围棋、艺术等“纯”脑力人类优势项目已经被陆续“攻破”，最难取代的反而是物理层面的“蓝领体力劳动”。简单换算，约等于FPGA工程师将是守护人类尊严的最后看门人之一，可保工作长期无AI替代之忧：软件靠精力，硬件靠经历！
本文深入解析了YOLO V8/V11模型的构建流程，重点探讨了YAML配置文件如何驱动神经网络搭建。
Ultralytics 在YOLO Vision 2025 大会推出革命性模型YOLO26，主打更快、更轻、更准的端到端视觉AI解决方案。推理速度提升43%，支持目标检测、实例分割、姿态估计等五大任务，其精简架构特别适合无人机、智能交通等边缘场景。
TinyML是一种专注于在极低功耗、资源极其有限的微控制器（MCU）级别硬件上实现机器学习（ML）模型高效运行的技术领域。其核心目标在于将先进的机器学习算法和模型移植到体积小巧、能耗极低的嵌入式设备中，使这些设备具备边缘智能，能够在没有外部服务器支持的情况下进行实时数据处理和决策制定。
【摘要】2025年被誉为“具身智能元年”，人形机器人在工业场景实现量产与应用落地。本文系统梳理产业链、技术突破、市场趋势与未来展望，深度剖析端到端模型与小脑大模型对具身智能的推动作用，全面展现人形机器人产业的变革与机遇。
随着物联网（IoT）、5G、人工智能（AI）和大数据技术的快速发展，数字孪生（Digital Twin, DT）正在成为工业、城市管理、医疗、交通等领域的重要工具。随着 AI、IoT、5G、边缘计算和数据分析技术的发展，数字孪生将在工业 4.0、智慧城市、医疗创新和可持续发展等领域发挥核心作用，为智能社会建设提供强大技术支撑。通过物理实体、数字模型、实时数据和智能算法的深度融合，数字孪生实现预测、
边缘计算（Edge Computing）应运而生，通过将计算、存储和分析能力下沉到网络边缘，实现对数据的就近处理，从而提升实时性、可靠性和安全性。它通过将计算与存储下沉到网络边缘，实现低延迟、高可靠和数据安全的分布式计算，为智能制造、智慧城市、自动驾驶、医疗健康和内容分发提供关键支撑。随着 AI、5G、IoT 和边缘计算平台的发展，未来“云-边-端”协同将成为新型智能计算体系的重要架构，边缘计算将
本文介绍了AI识别分析系统在智慧小区建设中的应用方案。随着国家政策推动和技术发展，智慧小区成为提升城市管理的重要途径。针对传统小区管理存在的人力成本高、风险预警滞后等问题，该系统通过部署边缘计算盒(AIbox)，利用现有摄像头实现实时视频分析，涵盖消防安全、人员安全、岗位监督等多场景识别功能。该系统具有低延迟、高可靠、低成本优势，能有效降低管理成本、提升安全性和服务效率，改善业主居住体验。未来，A
在智能体技术热潮中，我看到大量开发者热衷构建所谓“多 Agent 协作系统”，但最终只是多个独立任务脚本堆叠在一起。真正的协作需要 分布式系统韧性 + 感知一致性 + 策略共识，而 Paxos 与 Raft 正是进入这个领域的钥匙。
我国生猪养殖正向工业化集约化转型，但仍面临疫病防控滞后、生产效率低和环保合规三大痛点。本方案基于“物联网+AI+大数据”技术，构建“环境-猪群-饲料-粪污”全场景智能管控体系：通过轨道机器人巡检（疫病识别准确率95%）、边缘计算智能调控（氨气超标自动调节风机）和云平台数据协同（自动生成环保报表）。实施后PSY提升至28头，料肉比≤2.8，疫病死亡率≤2%，环保达标率100%，10万头猪场年省成本超
摘要 NVIDIA JetPack是Jetson嵌入式AI平台的官方软件栈，为构建AI边缘应用提供完整的工具与库。最新JetPack 7专为机器人、生成式AI和超低延迟边缘应用设计，相比主流JetPack 6.x在架构、性能和功能上有显著升级，包括SBSA标准化架构、MIG多实例GPU支持和统一CUDA 13.0等特性。JetPack包含三大核心部分：AI加速栈（CUDA/cuDNN/Tensor
边缘计算通过将计算能力从中心云端延伸到网络边缘，使数据在本地即可完成处理，极大提高了实时性、安全性和系统稳定性。本文将全面解析边缘计算的核心原理、应用场景、行业价值及未来发展趋势。随着 5G、物联网（IoT）、人工智能（AI）和大数据的迅猛发展，传统的云计算模式正逐渐暴露出带宽占用大、延迟过高、隐私风险等问题。随着 5G、AI 与 IoT 的持续融合，边缘计算将成为智慧城市、大型工业系统、自动驾驶
该框架通过创新性地融合LLM、边缘计算与基因组学，正在改变罕见病防控的传统范式。尽管面临算法可解释性、数据主权等挑战，其在基层医疗领域的突破性应用已初见成效。随着量子计算与生物传感技术的协同发展，我们有望在2030年前实现全球范围内的气候智能型医疗防护网络——这不仅是技术革命，更是对人类生存方式的根本性重构。"真正的医疗AI革命，不在于取代医生，而在于让每个基层医生都拥有顶级专家的智慧；不在于创造
边缘算力是指在靠近数据源头的网络边缘侧提供的计算、存储和网络资源能力，采用分布式架构形成"云-边-端"三级计算体系。它能有效解决传统云计算在实时性(延迟可降至10ms级)、带宽压力(数据过滤达90%)、隐私安全(本地处理敏感数据)和可靠性(99.9999%可用)等方面的瓶颈问题。支撑技术包括边缘服务器、5G MEC、AI模型轻量化等，已广泛应用于智能制造(5ms延迟控制)、自动
摘要：随着能源需求增长和可再生能源接入，智能电网面临负荷波动和调度效率低等问题。人工智能与边缘计算结合，通过实时数据采集、边缘节点分析和AI算法优化，实现电网负荷预测与动态调度。该系统架构涵盖数据采集、边缘计算、AI预测、调度控制及可视化监控等模块，可提升电网稳定性、优化能源利用并降低成本。未来将向全域边缘AI部署、数字孪生融合和跨区域协同方向发展，为绿色能源转型提供技术支撑。（150字）
摘要：边缘计算与物联网技术为智能交通系统提供了新的解决方案。该系统通过部署传感器和边缘节点实时采集交通数据，结合边缘计算分析实现信号控制、事故预警等功能。核心架构包括数据采集、边缘分析、云端协同等模块，应用机器学习优化交通流。该技术可提升管理效率30%，降低事故风险，改善出行体验。未来发展趋势包括全域智能调度、AI动态优化和多模态数据融合，为智慧城市建设提供关键技术支撑。（150字）
摘要：物联网与边缘计算技术正推动智能农业发展。通过传感设备实时采集农田环境数据，结合边缘计算和AI分析实现精准灌溉、施肥及病虫害预测，显著提高农业效率与资源利用率。系统涵盖数据采集、边缘处理、智能决策与自动控制等模块，支持温室管理、无人机喷洒等应用场景。未来将向全域智能化、多源数据融合及绿色可持续方向发展，为现代农业转型升级提供关键技术支撑。（147字）
摘要：边缘计算与5G技术为智慧交通提供了创新解决方案。通过在路口部署边缘计算设备，结合5G网络的低延迟特性，实现实时数据处理、动态信号调控和事故预警。系统架构包含数据采集、边缘计算、5G通信和AI决策等模块，核心技术支持车流预测和信号优化。该方案能提升通行效率30%，降低事故率，支持绿色出行。未来将向全域边缘覆盖、车路协同方向发展，推动城市交通智能化转型。（149字）
文章探讨了AI时代如何有效使用大模型的核心思维与方法。强调应将AI视为思维伙伴而非工具，锻炼AI第一思维，专注于定义目标和约束条件，让AI思考解决方案。无需深究算法原理，而应聚焦应用层，通过集成和编排解决实际问题。提出从实践项目入手，利用AI进行跨界学习，构建"AI原生"思维，将AI融入工作流程，从而实现效率与产出质量的质的飞跃。
随着城市化和工业化进程的加速，扬尘污染已成为全球各大城市面临的环境问题之一。建筑施工、道路交通以及工业活动产生的扬尘不仅影响空气质量，严重时还会引发呼吸道疾病，威胁公众健康。传统的扬尘检测手段多为传感器、采样仪等设备，虽然能够提供较为精确的数据，但这些方法往往存在设备部署成本高、覆盖范围有限、实时性不足等缺陷。近年来，随着计算机视觉技术的迅猛发展，基于视觉分析的扬尘检测算法逐渐成为智能化环境监控的
Wi-Fi 6/6E 等优势，在机器人（服务与工业场景）、无人机（巡检、植保等）领域表现突出。YOLOv8 通过架构优化，在检测精度与速度上实现突破，支持多任务及多尺度模型。文章测试二者结合性能，分析不同 YOLOv8 模型在该平台的推理速度、精度及资源占用，为边缘智能设备的模型选型与部署优化提供数据支撑，推动视觉 AI 在相关场景的落地。
本文聚焦高通 QCS8550 处理器部署 YOLO11-seg 模型的研究与测试。QCS8550 作为物联网旗舰处理器，以 4 纳米工艺实现 48TOPS 边缘 AI 性能，搭载先进 CPU、GPU 及连接技术，适配高要求 IoT 场景；YOLO11-seg 专注实例分割，在安防、工业检测等领域作用关键。研究旨在探索二者结合的高效运行方式，为相关应用落地及边缘 AI 发展提供技术支撑与实践参考。
本文聚焦高通 QC6490 平台与 YOLOv5 系列模型的融合应用。QC6490 平台凭借 6nm 制程、八核 Kryo 670 CPU、12 TOPS 算力的第 6 代 AI Engine 及 Wi-Fi 6/6E 等优势，在机器人、无人机等领域表现卓越。YOLOv5 系列模型以高效架构实现精准目标检测，广泛应用于多行业。文章通过测试两者结合的性能，分析不同 YOLOv5 版本在该平台的运行效
本文研究了在高通QCS8550处理器上部署YOLO11-obb定向目标分类模型的性能表现。QCS8550采用4nm工艺，提供48TOPS的AI算力，CPU性能提升1.5倍，GPU性能提升3倍。测试显示，YOLO11系列模型在NPU上运行效率显著提升，其中YOLO11n-obb在INT8量化下达到564.97FPS。研究详细介绍了从pt模型到onnx转换，再到AIMO平台优化为NPU可执行格式的全流
摘要：本文介绍了高通QCS6490处理器与YOLOv11-obb模型在无人机视觉检测中的协同应用。QCS6490采用7nm工艺，集成8核CPU、Adreno643 GPU和第6代AI引擎，AI性能达12TOPS，支持4K视频处理和Wi-Fi6E连接。YOLOv11-obb模型通过旋转角度参数提升定向目标检测精度，特别适合无人机巡检、农业监测等场景。测试数据显示，在QCS6490平台上，YOLOv1
本文探讨了人体姿态估计技术在边缘计算设备上的部署方案，重点研究了YOLOv11-pose模型与高通QCS6490平台的适配性能。QCS6490平台采用异构计算架构，集成CPU、GPU和DSP，为AI推理提供每秒超过1万亿次的运算能力。文章详细介绍了将YOLOv11-pose模型从PyTorch格式转换为高通NPU可执行格式的全流程，包括模型转换、优化和量化步骤。测试结果显示，在640×640分辨率
边缘计算
——边缘计算
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
魔乐社区
北京朝阳AI社区
2048 AI社区
EazyDevelop社区
