登录社区云,与社区用户共同成长
邀请您加入社区
摘要: 企业级视频监控与AI项目面临流媒体开发周期长、异构芯片适配难等痛点。本文介绍了一款模块化AI视频管理平台,通过Docker容器化技术实现X86/ARM架构及GPU/NPU硬件的跨平台适配,支持GB28181、RTSP等多协议统一接入。平台提供流媒体网关、算法调度、边缘计算集群管理等功能,内置数据标注和算法商城,支持私有化部署与源码交付,可节省95%开发成本。其低代码API便于二次开发,并集
本文介绍了NIS-LS5133-6LAN工控机的配置特点,重点对比了其与之前型号的差异。该机型采用龙芯2K3000处理器,提供八核和四核版本,主要区别在于GPU、VPU和安全模块的有无。其核心特点是6个千兆网口,适用于多网段隔离、软路由等场景,同时保留星闪无线和可选4G/5G功能。接口布局精简了USB数量,保留双串口和数字I/O,扩展能力包括PCIe和存储扩展。工作温度范围宽(-20°C~70°C
摘要:B10边缘计算平台搭载AMD Ryzen™ 7 7840HS处理器,采用4nm工艺和Zen4架构,支持AVX-512指令集和Radeon 780M显卡,提供强大的AI推理能力。平台配备DDR5内存、16xCOM扩展接口和9-36V宽压电源,支持高密度传感器部署和复杂工业环境应用。通过全铝被动散热和智能风扇设计,确保长时间稳定运行。在Ubuntu环境下可通过指令进行硬件状态审计和性能调优,适用
BIM全生命周期智慧管控方案摘要(150字) 本项目针对建筑行业数字化转型痛点,提出基于BIM、IoT、AI等技术的全生命周期智慧管控方案,覆盖设计、施工、验收、运维全流程。通过统一数据中台和十大核心模块(如BIM协同、施工智能管控、绿色低碳管理),实现数据互通、智能预警与协同优化,目标降低项目成本20%、缩短工期15%、碳排放减少15%。采用.NET微服务架构与云原生技术,确保系统扩展性与安全性
在Mao等人(2020)发表的关于MEC能效优化的论文中,指出了现有计算卸载研究存在的什么普遍问题?在计算分级迁移方案中,从移动终端到云端,不同的需求对应不同的迁移单位:硬件需求(CPU、内存等)对应迁移。计算迁移的工作原理中,当应用程序需要迁移时,它向操作系统类库发送暂停请求,并保存当前的。D. 粗粒度具有通信成本低、划分效率高的优点,但不适合终端快速移动场景。请简述在计算迁移方法中,静态划分与
MEC特点:在靠近用户的基站处部署MEC服务器;以IaaS方式管理虚拟资源池;基本框架将功能划分为网络层、主机层与系统层。Cloudlet特点:可信、资源丰富的主机或机群;基于虚拟机技术;与移动终端通常仅有“一跳”距离。雾计算特点:雾节点数量大、类型多、分布广;更接近物联网感知与执行设备;部署在用户设备到核心云的传输路径上。
随着5G与物联网的普及,边缘计算与AI融合成为重要趋势。通过在,智能终端可以,做出快速决策,从而增强应用的响应能力和智能化水平。
AIR SC6N0-C-MB NX 16GB 是视程空间(北京)科技有限公司推出的高性能 AI 算力开发平台,基于 NVIDIA Jetson Orin NX 16GB Super 核心模组设计,定位为嵌入式边缘智能、机器人控制、多传感器视觉处理、移动智能设备的专用算力底座。产品以超小体积、强 AI 算力、丰富接口、宽压工业级、低功耗为核心优势,专为空间受限、移动作业、高可靠需求的场景打造,是机器
视程空间 AI 算力开发板,以极致小巧机身、全梯度算力、全兼容接口、低功耗宽温、工业级可靠、ROS 原生适配、端侧大模型支持七大核心优势,成为机器人与机器狗的最优算力底座。我们不只是提供硬件,更是提供从集成、开发、部署到量产的全流程支撑,帮助机器人企业降低研发门槛、缩短迭代周期、提升产品稳定性与智能化水平,让每一台机器人都能快速从图纸走向市场,从实验室走向真实世界。在具身智能爆发的时代,视程空间以
告别云端隐私泄露与高昂成本,GitNexus 让你将大模型装进口袋!🚀 本文深度解析如何利用量化与推理引擎,在本地设备零门槛运行 AI。无需复杂配置,即可体验数据完全私有、低延迟的智能快感,助你掌握端侧 AI 的核心技术。
工业计算机(工控机)相比商用台式机在智能制造中具有不可替代的优势。工控机采用全金属密闭机箱和无风扇设计,可在-20℃至60℃宽温范围及粉尘、震动等恶劣环境下稳定运行,确保7x24小时不间断工作。其异构计算架构(CPU+GPU/NPU)提供持续高效的边缘AI推理能力,丰富的工业接口(RS485/CAN/EtherCAT等)实现微秒级实时控制闭环。此外,工控机5-10年的长生命周期支持、宽压电源管理和
摘要:本文剖析了传统安防视频AI开发面临的三大痛点:设备接入难、硬件适配难和交付成本高。针对这些问题,介绍了一款企业级AI视频管理平台,该平台采用容器化微服务架构,实现异构计算适配和多协议统一接入,支持私有化部署和源码交付。核心亮点包括:全硬件适配方案、GB28181/RTSP协议兼容、内置算法商城和数据标注平台、智能告警路由等功能。该方案通过技术解耦显著降低了开发成本,为集成商提供了高度自主的二
定义:达到抵抗某种安全威胁或攻击的能力,横跨云计算和边缘计算,需实施端到端的防护。五大需解决问题:体系结构、碎片化、物理安全性、蔓延、用户错误。
本文探讨了安防AI视频管理平台如何通过低代码开发解决行业痛点。传统安防项目面临设备协议割裂、硬件适配复杂、开发周期长等问题。该平台采用微服务架构和容器化部署,实现异构计算自适应(X86/ARM/GPU/NPU),统一接入RTSP/GB28181等协议,并提供源码交付和API接口。通过算法商城和标注平台支持二次开发,可将开发成本降低95%。平台特色包括协议兼容、边缘计算支持、多通道告警和私有化部署能
为了解决这些问题,我们需要把AI的“大脑”部分移到离数据源头更近的地方——也就是边缘端。本文将带你深入这个激动人心的领域。我们不仅会搞清楚“边缘计算”和“轻量化AI Agent”的核心概念,更会通过一个具体的项目案例,手把手如何选择合适的轻量级AI框架。如何把一个笨重的模型“压缩”和“量化”。如何在边缘设备(如树莓派或工业网关)上构建一个简单的决策Agent。如何实现端边云的高效协同。在写代码之前
本文介绍了一种企业级AI视频管理平台架构,通过容器化微服务和边缘计算技术解决安防领域多品牌设备协议碎片化问题。平台采用流媒体协议网关与算法解耦设计,支持GB28181、RTSP、RTMP、ONVIF等多种协议统一接入,实现异构设备的标准化管理。核心优势包括边缘推流分发、分布式AI算力调度、低代码配置接口,可节省95%开发成本。系统提供源码交付和私有化部署方案,支持算法自主训练和可视化监控大屏,为集
本文剖析了企业级AI视频管理平台如何解决安防行业的三大痛点:1)通过容器化微服务架构实现X86/ARM与GPU/NPU的异构计算解耦,支持跨平台部署;2)构建统一媒体网关兼容GB28181/RTSP等多协议接入,简化配置流程;3)提供源码交付和丰富API,支持二次开发与业务定制。平台采用硬件加速、自动清理等优化机制,边缘端推流延迟控制在300ms内,可节省95%开发成本。文章还展示了协议配置示例和
四可装置凭借高精度采集、边缘计算和协议自适应三大核心技术,构建了采集-处理-互联的闭环体系。高精度采集通过专业传感、计量和抗干扰设计确保数据精准;边缘计算实现本地实时处理和智能决策;协议自适应支持多设备互联。该技术已在光伏、工业等领域成功应用,未来将向多维采集、AI融合和开放互联方向升级,为新型电力系统和双碳目标提供更强支撑。
传统矿山安全防控高度依赖人工巡检与被动监控,存在预警滞后、盲区较多、人为误差大等痛点,难以应对井下复杂安全风险。为解决矿山安全事故高发、隐患难排查等行业难题,本文提出基于AI视觉的智慧矿山安全防控解决方案,结合深度学习与边缘计算技术,构建全流程智能化防控体系,详细阐述技术原理、核心优势、落地场景与应用价值,为矿山安全数字化升级提供可行的技术方案。
摘要:本文剖析了AIoT项目中智能安防落地的技术痛点,包括流媒体开发周期长、芯片算力碎片化等问题。通过容器化微服务架构和边缘推流技术,提出企业级AI视频管理平台解决方案,实现异构设备标准化管理。平台支持GB28181/RTSP等多协议,提供低代码API接口,可将开发成本降低95%。系统支持源码交付和私有化部署,内置算法商城与标注平台,形成闭环生态。演示环境和开源项目地址可供技术验证,助力企业快速构
本文探讨了AI视频管理平台在异构计算环境下面临的技术挑战及解决方案。平台采用微服务架构实现硬件与业务解耦,支持X86/ARM异构部署,通过容器化技术实现分钟级部署。系统内置多协议接入能力,统一处理GB28181、RTSP等不同协议的视频流,并提供低代码开发接口。平台支持源码交付和私有化部署,消除供应商锁定风险,满足企业级安全合规需求。文章还提供了开源代码和演示环境,方便技术评估。该方案可显著降低开
昇腾NPU在边缘计算场景的部署——昇腾310系列全链路实战(完整版)
在数据资产入表、数据安全合规、隐私计算全面收紧的背景下,传统云端标注、人工外包标注面临数据泄密、网络依赖、合规不达标、无法入表等多重风险。本文基于中启联信自研数据标注一体机量产落地经验,深度拆解一套软硬一体、边缘计算、纯离线标注、物理级安全隔离的完整工程方案,覆盖硬件架构、系统定制、边缘推理、离线标注引擎、安全隔离策略、部署运维,可直接用于企业私有化标注、政务 / 医疗 / 车规数据生产、AI 数
边缘计算作为分布式计算的重要分支,通过在数据源头就近处理信息,有效解决了云端计算的延迟和带宽瓶颈问题。其核心技术原理涉及计算卸载、资源调度和网络优化,在工业物联网、智能终端等领域展现出巨大价值。随着大语言模型(LLM)的普及,如何在资源受限的边缘设备上高效部署LLM成为关键挑战。SLED框架创新性地结合推测解码(Speculative Decoding)和动态批处理技术,通过轻量级草稿模型与高精度
边缘计算通过将计算任务下沉到靠近数据源的设备,有效解决了云端计算的延迟和隐私问题。在自然语言处理领域,大语言模型(LLM)的推理任务面临着模型规模与边缘设备资源限制的矛盾。SLED框架创新性地采用推测解码技术,将计算任务分为边缘设备生成候选token序列和服务器验证两部分,既利用了边缘设备的分布式计算能力,又通过服务器的高性能硬件保障了输出质量。这种方案特别适合实时交互应用和隐私敏感场景,如智能客
2026 年了,AI Agent 已经能用 Llama、Qwen、DeepSeek 这些纯文本模型写代码、做推理、聊天对话,表现相当不错。但 Agent 活在一个充满图像的世界里——它需要看截图、读营养标签、识别物体、提取图中文字。**视觉能力不是锦上添花,是刚需。**问题在于:绝大多数本地视觉模型的教程都默认你有一块 24GB 显存的 NVIDIA 显卡。如果你用的是 Jetson Orin(7
随着生成式 AI 的普及,无论是用户需要何种想要的答案,都需要上行来提供请求与数据来源,本地产生的高清图像、音频及视频流等原始数据必须实时上传至云端进行处理,导致上行数据量在过去一年中大幅增加。英特尔 Agarwal 的预测则更加偏向产业落地层面,他认为——到 2028 年,类似的行业讨论会将面目一新,台上分享的不再是设备商讨论架构,而是零售商、矿业公司和港口运营商讲述他们从部署中获得的实际投资回
概念定义核心指标要求边缘计算节点靠近数据产生侧、算力<4核8G的计算设备,包括工业网关、车机、安防摄像头、智能家居设备等,多为ARM架构延迟<20ms、带宽<10Mbps、可用性>99.9%轻量级Agent运行在边缘节点上的独立程序,承担AI推理、数据采集、监控告警等功能,不抢占核心业务资源运行内存<64M、CPU占用<10%、启动时间<1s模型裁剪通过剪枝、量化、知识蒸馏等技术,在精度损失可控的
《5G全域物联感知智慧覆盖方案(2026版)》摘要 本方案提出基于5G-A技术的全域物联感知体系,旨在解决当前物联感知领域覆盖不全、协同不足、智能不够等痛点。项目依托5G-A、AI大模型、边缘计算等前沿技术,构建"感知-传输-处理-分析-应用"全链路闭环,实现十大核心场景的智能化覆盖。 核心建设目标包括:全域覆盖(100万+终端/平方公里接入能力)、高精度感知(99.2%精度,
2026年智能数据一体化平台技术实施方案摘要 本项目旨在构建一套先进的智能数据一体化平台,解决企业多源异构数据治理滞后、业务与技术脱节、AI应用落地困难等核心痛点。平台采用**.NET微服务架构**、湖仓一体存储、AI大模型及数字孪生等2026年前沿技术,覆盖数据采集、治理、分析、应用全生命周期,实现以下目标: 高效采集:支持10+数据源接入,实时采集延迟≤50ms,成功率≥99.95%。 智能治
《公共卫生态势智慧研判方案(2026版)》摘要 本方案构建智能化公共卫生态势研判体系,整合医疗、疾控、环境等12类数据源,采用AI算法实现传染病传播趋势、突发公共卫生事件风险的精准预判。项目采用"六层架构"设计,包含数据治理、智能研判、协同应急三大核心体系,开发智能感知采集等十大功能模块。关键技术包括大数据处理引擎、TensorFlow2.15AI框架、物联网接入平台等,实现数
《全域运行态势智慧感知研判方案(2026版)》项目概述 本项目旨在构建一套覆盖全域运行场景的智能化感知研判体系,解决当前感知碎片化、数据孤岛化、研判滞后化等突出问题。通过融合物联网5.0、AI大模型等前沿技术,打造"感知-传输-处理-研判-应用"一体化系统,实现运行态势的全面监测、精准研判和快速处置。 建设目标包括: 感知全域化:设备覆盖率达99%以上,数据采集准确率≥99.8
本文将从环境搭建、模型部署、实操案例三个维度,手把手教你完成边缘设备上的多模态大模型部署,适合技术开发、算法工程、物联网从业者参考。在边缘计算设备上部署多模态大模型,核心是“轻量化适配”——通过硬件选型、模型量化、软件优化,解决边缘设备“算力有限、内存不足、功耗约束”的问题。随着技术的不断进步,边缘计算+多模态大模型将成为未来智能终端、工业物联网、自动驾驶等领域的核心技术,掌握边缘部署能力,将成为
从数据主权、推理确定性、审计透明度三个维度,分析企业选择端侧AI部署的深层原因。
支持8K视频编解码,内置2路千兆以太网、可扩展M.2接口(PCIe2.1)SSD固态硬盘、USB3.0、Wifi5、BT5.2、支持4K HDMI输出,适用于工控主机、云终端产品、边缘计算、大模型本地化、智慧商显、汽车电子等行业领域。9、丰富的系统支持,Android,Linux,OpenHarmony等操作系统,支持Ubuntu20.04+ROS,Ubuntu22.04+ROS2 机器人操作系统
边缘计算通过将计算任务下沉到靠近数据源的网络边缘,有效解决了云端AI部署的高延迟问题。其核心技术原理在于构建设备-边缘-云协同的计算层级,通过动态卸载机制实现负载均衡。这种架构特别适用于大型语言模型(LLM)部署,能显著降低通信开销同时保持推理精度。RecServe框架创新性地采用三级推理设计,设备层处理简单请求,边缘层应对中等任务,云层解决复杂计算。通过置信度阈值动态调整和递归卸载策略,在IMD
2026年多云管理平台迎来智能化升级,企业多云采用率达58%,但云预算浪费高达32%。八大趋势推动平台从资源纳管转向云服务运营中枢,包括异构统一纳管、AIOps自治运维、AI FinOps成本治理等。六大驱动力涵盖云资源形态扩张、AI工作负载增长、成本压力与合规要求。金融、制造等重点行业呈现差异化需求,如金融侧重合规审计,制造关注边缘协同。技术侧将实现统一视图与智能闭环,运营侧强调服务化与精细化。
2026版全域数据智慧梳理归集方案摘要 本项目针对2026年数字化转型需求,构建全域数据智慧梳理归集体系,解决多源异构数据分散、质量低下、管理无序等痛点。通过微服务架构和湖仓一体技术,实现数据从采集、清洗、治理到共享应用的全生命周期智能化管理,核心目标包括: 数据整合:覆盖10+类数据源,支持实时(延迟≤100ms)与批量采集,年处理量达100TB。 智能治理:AI驱动的清洗准确率≥99.8%,异
2026年先进技术项目实施方案旨在构建智能化技术平台,推动企业数字化转型。项目采用微服务架构和湖仓一体2.0数据架构,集成轻量化AI大模型、数字孪生等前沿技术,实现业务流程自动化率≥85%,系统可用性≥99.99%。建设内容包括十大核心模块开发、数据治理体系构建及零信任安全防护部署。实施周期12个月,分阶段完成基础设施升级、模块开发集成及系统测试上线。项目预期实现运营成本降低40%,决策效率提升5
2026全域数据智慧梳理归集方案摘要 在数字经济深度发展的2026年,数据已成为核心生产要素。为应对数据孤岛、标准不统一、质量参差不齐等痛点,本项目构建全域数据智慧梳理归集体系,实现多源异构数据的自动化采集、标准化治理、资产化管理和安全共享。 核心目标: 数据采集:覆盖10类以上异构数据源,日采集能力≥1000万条,延迟≤100ms。 数据治理:AI驱动自动化清洗,质量合格率≥99.8%,敏感数据
随着AI Agent技术的爆发,我们已经进入了「智能体无处不在」的前夜——从手机助理、智能家居到自动驾驶、工业互联网,AI Agent正在接管越来越多的场景决策工作。但传统的云侧AI Agent架构已经无法满足低延迟、高隐私、低带宽的需求:据工信部2024年发布的统计数据,云侧AI服务的平均响应延迟在800ms以上,每年仅传输用户数据产生的带宽成本就超过3000亿元,同时有62%的用户担心自己的敏
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