登录社区云，与社区用户共同成长
邀请您加入社区
2026年工业物联网的核心趋势是从"连接设备"走向"覆盖设备、网络、数据和生产系统的整体连接架构"。eRedCap技术在3GPP Release 18标准冻结，2026年开始商用，为工业场景提供更低成本和功耗的5G连接选项。边缘计算网关在这条链路中的位置是确定的：它是工业现场数据进入数字世界的第一个关口。协议转换、边缘计算、断点续传、远程运维，每一环都直接影响数据质量和系统可靠性。工业物联网方向的
本文详细介绍了如何从零搭建基于树莓派和GStreamer的边缘AI视觉系统，重点讲解了RTSP推流的实战部署。内容包括硬件选型、GStreamer管道优化、低延迟编码参数配置、RTSP服务器构建及网络调优，为智能家居、工业检测等场景提供低成本、高灵活性的解决方案。
流媒体技术通过将音视频数据压缩、封装并通过网络实时传输，实现了从传统下载到实时互动的跨越。其核心原理在于编解码、传输协议与内容分发网络的协同。这项技术的价值在于支撑了在线教育、互动娱乐、直播电商等实时交互场景。面对超大规模并发与毫秒级延迟的挑战，传统的中心化CDN架构在延迟叠加与成本控制上遇到瓶颈。本文深入探讨了基于“边缘智能流”的下一代解决方案，该方案通过将计算能力下沉至网络边缘，实现了逻辑集中
视频直播技术正经历从中心化到边缘智能的范式转移，其核心在于通过分布式架构解决大规模并发下的延迟与带宽瓶颈。其原理是将计算与处理能力下沉至网络边缘，结合实时传输协议与智能编解码，构建起云、边、端协同的系统。这一技术价值在于显著降低中心压力、缩短传输路径，并提升系统弹性与成本效益。在应用场景上，它完美支撑了全球电竞赛事、虚拟演唱会等高并发、强互动的直播需求，并自然收敛于如何通过边缘AI处理、自适应协议
传统CDN与云加速独立部署的模式已无法满足现代业务需求，全域融合加速架构通过四大核心设计实现技术突破：1）统一边缘节点集成缓存、接入、安全能力；2）智能调度系统实现请求级精准分流；3）SDN骨干网支持动静态流量动态带宽分配；4）内生安全体系实现接入即防护。该架构依托五类关键技术（内容感知分流、QoS弹性调度、全协议加速引擎、AI智能优化、边缘安全），在跨境电商、游戏、企业组网等场景中显著提升性能，
在物联网与边缘计算快速融合的背景下，如何将训练好的机器学习模型高效部署到算力有限的终端设备，成为工程落地的核心挑战。边缘AI强调在靠近数据源的位置完成推理，以降低延迟、节省带宽并保障数据隐私。模型转换与量化是适配异构硬件的关键步骤，ONNX作为开放模型交换格式，配合onnxruntime等推理框架，能够将YOLO等检测模型无缝迁移至Jetson、RK3588等边缘平台。同时，通过Flask搭建轻量
CDN不只是缓存，它把地理距离转化为延迟指标；边缘智能则让决策离用户更近。两者构成一条链路，而多语言场景是这条链路的必答题。理解缓存命中率、Vary头、缓存key设计等基础概念，才能让语言标记在CDN与源站之间稳定传递。本文从工程视角拆解FastAdmin与若依框架的多语言实现路径，结合边缘函数在语言路由上的应用，探讨如何通过URL前缀、Header透传、资源hash等手段，实现国际化站点的高效加
边缘计算与AI大模型的结合，正在重新定义视频分析的实现路径。传统方案往往受限于7B、8B模型的上下文理解能力，难以完成跨帧的行为推理和视频级问答。参数规模跃升至20B后，对内存容量、带宽及推理引擎的量化策略都提出了全新要求。通过GPTQ等4-bit量化技术，20B模型得以在统一内存架构的边缘设备上高效运行。这一能力让自然语言驱动的视频检索、事件级行为分析和结构化语义输出成为可能，同时满足数据不出场
在边缘计算与AIoT终端中，多媒体处理能力正从可选能力变成核心指标。传统MCU受限于算力、内存带宽和外设接口，难以同时支撑摄像头输入、屏幕显示与视频编码；Linux SoC虽强，却带来启动、功耗和BOM成本。其原理在于用双核RISC-V HP/LP架构分担实时任务与低功耗值守，并通过MIPI-CSI、MIPI-DSI、硬件H.264编码器和PSRAM扩展形成本地视觉与显示闭环。这类架构的技术价值是
CDN早已不只是缓存静态资源的分发网络，它正演变为承载边缘计算与边缘智能的天然底座。理解其核心原理，从DNS调度、GSLB负载均衡到缓存回源机制，是掌握现代网络架构的基础。当边缘节点开始运行函数与AI模型，动态请求加速、实时数据处理和内容安全审核便能在离用户最近的地方完成，大幅降低延迟与带宽成本。本文结合Cloudflare、七牛云等真实配置经验，梳理CDN选型要点，并演示如何部署边缘函数，帮助工
CDN作为内容分发网络，通过在全球部署边缘节点，将内容缓存到离用户最近的位置，有效降低网络延迟和源站压力。其核心组件包括源站、边缘节点和GSLB调度系统，缓存策略与回源控制直接影响加速效果。随着技术演进，CDN节点凭借位置、带宽和运维优势，天然演化为边缘计算平台，支持边缘函数等Serverless能力。进一步，边缘智能将AI推理下沉到节点，结合模型压缩和推理引擎，满足内容审核、图像处理等低时延场景
边缘计算场景下，将YOLOv8等目标检测模型部署到国产SoC并输出标准视频流是常见需求。其核心原理涉及模型量化、算子映射与硬件编码，通过INT8量化可大幅压缩模型体积并提升推理速度，技术价值在于实现低功耗、低延迟的实时检测。典型应用包括智能安防、工业质检等IPC场景。本文以Hi3516CV610为例，详细解析从YOLOv8模型转换、量化校准到RTSP推流的完整工程实践，并分享避坑经验。
海思带AI ISP方案开发：海思3559A方案多目拼接+Hi3403V100方案双目视频拼接融合模组+Hi3519DV500方案套板
【海思Hi3403V100】多目拼接相机套板硬件规划方案
基于海思Hi3403V100方案开发双目1600万拼接相机测试截图
本文介绍了两种固件版本：纯跑量版（仅支持跑量，稳定性更高）和安卓版（支持边看电视边跑量，部分机型支持假关机功能）。支持的CPU型号包括晶晨、国科、晨星、全志、瑞芯微、海思等多款处理器，涵盖网心云、玩客云、中兴、华为等数十种盒子型号。固件下载提供多个云盘链接（迅雷、天翼、百度、123云盘），并提醒用户不同型号刷机方式存在差异，需参考网盘内的详细教程进行操作。
本文将演示如何在AOM-5521平台上使用NXP eIQ GenAI Flow 2.0结合RAG构建边缘AI助手，内容涵盖在主机PC上准备文档、生成知识数据库以及在设备上运行该助手。
TypeSafe发布Jev：无视觉、无权重下载的托管API，输入文本/结构化状态，输出Choice/Score等类型化判断。社区将其接入四旋翼、机械臂等仿真回路。文章以“接入硬件三问”分析：计算上，Jev单前向并行、延迟方差坍缩，但云端回路只能闭合个位数 Hz，故判断坐 2–5Hz 战术层，控制与安全留确定性代码；信息上，Jev 无视觉，需VLM/CV压缩状态，校准概率存在口径争议、分布内失效与拒
搭载全新一代AIoT高端应用芯片，集成八核64位CPU（四核Cortex-A76 + 四核Cortex-A55），主频高达2.4GHz，内置独立6TOPS NPU算力，为AI推理、图像识别等场景提供强劲性能支持。iLeadE-588支持16路AI视频分析、4路AHD、4路千兆网、4G/5G通讯，标准API接口，兼容Modbus、DLT645、OPC UA等多种行业协议，支持第三方平台对接。主要面向
2026年台北国际电脑展上，英伟达发布RTX Spark芯片，推动AI PC从概念走向落地。该芯片支持本地运行千亿参数大模型，实现断网可用AI、无需“找功能”、数据不出设备等突破。用户只需表达意图，系统即可自动规划执行，降低使用门槛。尽管当前硬件成本高、软件生态尚在发展，但AI深度融入操作系统，标志着人机交互正迈向“理解意图”的新阶段。
先说清楚概念。本文说的「边缘部署」，指的是把模型推理放到靠近数据产生的地方执行，而不是集中到云端 GPU 集群。端侧设备：手机、平板、车机、智能音箱，推理直接发生在用户设备上。边缘服务器/盒子：工业控制器、边缘网关、视频分析盒子，通常部署在工厂、园区、门店。嵌入式设备：MCU、开发板、机器人、无人机等资源更受限的场景。与云端部署相比，边缘部署的核心差异不是「模型能不能跑」，而是「在受限的算力、内存
2026年，工业AI迎来关键拐点：全球边缘推理市场规模首次超越云端训练，中国边缘AI芯片市场突破210亿元，端侧部署量增长320%。AgenticAI通过Jetson平台实现物理世界落地，云边端三级架构成主流，“本地执行+云端协同”模式加速普及。具身机器人批量进入产线，物理AI在制造、巡检等场景规模化应用。芯片能效比成为核心竞争力，3D堆叠、存算一体等技术推动算力下沉。钡铼技术EA系列全面适配趋势
35kV及以上变电站传统人工巡检效率低、风险高、漏检率高。博为智能远程智能巡视系统以巡视主机为核心，协同机器人、无人机、固定摄像机与红外热像仪，实现室内外设备全自动巡检。通过AI图像识别与智能分析，自动完成仪表读数、状态判断、缺陷检测及安全管控，实时生成结构化报告，并与辅控系统联动，实现“告警→巡视→诊断→报告”闭环。系统打破信息孤岛，推动运维从“人工定期排查”向“AI实时管控”转变，显著提升安全
AIoT变电站巡检机器人，要的就是：本地AI推理、多路视频并发、热成像+OCR、宽温运行、EMC扛造、远程可管。 ARMxy BL450 + X20 + Y63 + Y33，8路RS485 + 4路AI + 6 TOPS NPU + EMC III级认证，正好卡在这个需求点上。它不炫技，但它能看、能读、能测温。它不娇气，但它能扛造。
在实际的农业物联网项目中，多个分布式的STM32节点各自做本地异常检测，只有检测到异常时才通过4G上报数据到云端。在STM32上部署的AI模型，通常是小型的分类模型或检测模型，参数量在几万到几百万级别，远不是云端那种动辄几十亿参数的大模型。我的建议是：如果项目用的是STM32全系芯片，且模型不复杂，优先用STM32CubeAI，开发效率更高。假设我们要检测温室环境中的温度异常（突然升高或降低），输
本文深入解析了基于STM32的土壤水分监测系统架构，从传感器数据采集到神经网络模型部署的全流程。系统采用STM32F407控制器，融合多传感器数据，通过优化的BP神经网络实现精准预测，为智能农业提供低功耗、高精度的边缘计算解决方案。
本文介绍了如何在星图GPU平台上自动化部署“鹰眼目标检测 - YOLOv8”镜像，实现轻量级AI模型的快速应用。该方案特别适用于边缘计算场景，例如在树莓派等设备上部署，可轻松实现实时视频流或图片中的多目标识别，为智能监控、物联网视觉分析等应用提供便捷的本地化AI能力。
本文提供了树莓派4B部署PyTorch的详细避坑指南，重点解析了系统架构选择、依赖管理、安装方案优化等常见误区。针对ARM架构特性，推荐使用64位系统并整合官方预编译包，有效解决兼容性问题，提升边缘AI部署效率。
本文将从最开始的环境搭建开始，其中会讲解一些涉及到的一些专业名字的概念及其作用（部分），详细介绍从搭建到训练再到部署及应用的个人学习全过程（2025年3月16日-2025年3月27日）。以下是本文目录：一、学习过程中的问题二、anaconda下载及环境搭建三、部分库和yolov5下载及其依赖安装四、yolov5数据集及训练五、yolov5部署及Paddleocr联合应用车牌识别。
从数据集获取到训练yolo模型，实现安全帽监测项目
基于Hi3403V100处理器，采用四核Cortex-A55架构，主频高达1.4GHz，以强劲算力、卓越的图像处理能力，为千行百业的智能化升级注入核心动力。内置双核Vision DSP，满足您对实时性、差异化的CV计算需求，与NPU协同工作，释放全部AI潜能。零代码拖拽式数据可视化平台，内置1000+工业级组件，无需安装客户端，网页端即可操作。兼容Modbus、DLT645、OPC UA等多种行业
本文详细解析了基于RK3588芯片的流媒体服务器选型策略，涵盖从嵌入式设备到云端服务的五种实战方案。通过对比GStreamer、Nginx、SRS等技术的性能优化与协议选择，帮助开发者根据应用场景（如智能门铃、教育直播、视频会议等）实现高效流媒体传输，显著降低延迟与功耗。
本文详细介绍了如何在树莓派5B上部署和优化YOLOv5-Lite模型，实现实时目标检测。从硬件配置、系统优化到模型转换与量化加速，提供全面的避坑指南和性能调优技巧，帮助开发者在边缘计算设备上高效运行轻量级AI模型。
本文详细介绍了如何在树莓派4B上部署YOLOv8和PaddleOCR，实现工业质检的边缘计算方案。通过模型量化、TensorRT Lite加速和实时视频流处理优化，展示了在嵌入式设备上运行高效视觉检测系统的完整流程，为工业自动化提供低成本、高实时性的解决方案。
本文介绍了如何在星图GPU平台自动化部署🌀 HY-Motion 1.0镜像，实现十亿级参数的动作生成模型快速应用。该方案支持从文本描述生成电影级流畅的3D人体动作，适用于动画制作、教育演示等轻量级边缘计算场景，大幅降低了高质量动作生成的技术门槛。
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
亚马逊云科技技术品牌专区
火山引擎视频云技术社区
海思HiSpark开发者社区
2048 AI社区
DAMO开发者矩阵
openEuler 社区
EazyDevelop社区
乐奇 Rokid 开放社区
