YOLOv8是 Ultralytics 推出的经典前沿目标检测模型，在业界被广泛应用于无人巡检、机器人导航以及智能安防等领域。Anchor-Free（无锚框设计）：直接预测物体中心点和宽高偏移量，极大减少了预设超参数数量，对不同长宽比目标的泛化能力更强；解耦检测头（Decoupled Head）：将分类分支与边框回归分支彻底分离，显著提升了训练收敛速度与检测准确率；轻量级网络骨干（C2f 模块）：

犀牛派 X1 是一块以高通跃龙 QCS8550 为核心、可运行 Ubuntu 22.04 的嵌入式计算开发板。它既具备 Linux 主机的系统和网络能力，也提供摄像头、显示、音频、存储与 GPIO 扩展资源，适合构建视觉终端、语音交互设备、机器人、工业网关和其他边缘智能设备。

本文是 QAI AppBuilder 3.0 系列文章的第一篇，将从快速上手角度介绍高通开源工具 Quick AI Application Builder（QAI AppBuilder）在 Windows on Snapdragon 和 Linux 平台上的环境准备、安装配置与示例运行流程。除继续提供面向 Qualcomm NPU/HTP 的统一推理接口外，3.0 版本进一步强化了一站式 Agen

目标检测是机器视觉的常用的任务，本文介绍基于高通Snapdragon 与 Yolov5 模型实现边缘计算的场景实现人脸、口罩、人员计数。相关的代码已开源，可以在GitHub上获取。

本文介绍了基于QAI AppBuilder (https://github.com/qualcomm/qai-appbuilder)项目在 Windows 和Android平台上部署Qwen2.5-omini-3B模型的步骤，提供服务启动与 OpenAI 兼容接口调用方案。

本文介绍了基于QAI AppBuilder (https://github.com/qualcomm/qai-appbuilder)项目在 Windows 和Android平台上部署Qwen2.5-omini-3B模型的步骤，提供服务启动与 OpenAI 兼容接口调用方案。

本文介绍了基于QAI AppBuilder (https://github.com/qualcomm/qai-appbuilder)项目在 Windows 和Android平台上部署SD3.5 Medium模型的步骤，提供服务启动与 OpenAI 兼容接口调用方案。

本文详细介绍了基于 ai-engine-direct-helper 项目在 Windows 和 Android 平台上部署 Qwen2.5-VL-3B 模型的步骤，包括模型与服务程序的下载、安装路径配置以及具体的命令行运行指令。

在人工智能技术的飞速发展中，目标检测技术已成为智能视频分析领域的明星。本文将带您走进高通QCS6490平台，一探究竟如何利用其强大的硬件能力. 在前文已经介绍了使用Intelligent Multimedia SDK（IM SDK），完成视频的拉流和解码，在本期的文章中，将会介绍如何使用解码后的视频帧结合Yolov8n模型推理。

该文章为 BGE-Base-Zh-V1.5 模型的端侧部署使用教程，基于 ai-engine-direct-helper 项目，提供了 QNN SDK 相关下载地址。内容围绕模型在 Windows 和 Android 平台的推理展开，涵盖环境准备、依赖配置、模型初始化、数据预处理与后处理、推理执行及资源释放等核心流程，助力用户在端侧设备上顺利实现该模型的推理应用。