手搓ONNX部署PP-OCRv5模型的文章中，有小伙伴告诉我OnnxOCR也不错，可以试试。对，试试就试试。OnnxOCR是一个开源的项目，github上是这样介绍自己的：基于PaddleOCR重构，并且脱离PaddlePaddle深度学习训练框架的轻量级OCR，推理速度超快。从github地址就可以看出来，该项目的核心作者是刘劲松(Jingsong Liu)，据说他也是PaddleOCR的作者。

为了在GPU下推理，我们不单单要安装onnxruntime-gpu（1.25.1）,还要安装cuda相关的软件：哈哈，感觉又把部署的难度提升了…有需要源码文件的同学，请联系我！

站在AGI的门槛前，机器学习仍在书写新的传奇，而它的每一次进步，都在重新定义人类认知的边界。

目标是赋予计算机类似人类的视觉理解能力，通过算法对图像或视频中的目标进行识别、跟踪和语义理解。其核心是研究如何从二维图像反推三维世界的结构和规律。例如，自动驾驶中通过多摄像头融合实现道路场景理解，属于典型的CV任务。

公司近期购置了两块开发板（Android），一个是RK3288另一个是RK3588。前者应对普通嵌入式场景，后者主打AI机器视觉（边缘计算设备）。下面找了些资料做个对比。一、 制程与架构RK3288采用28nm HKMG 工艺，集成四核Cortex-A17CPU，主频最高1.8GHz，搭配，支持OpenGL ES 3.0、DirectX 11等图形接口。RK3588采用8nm LP 工艺，采用四核

PPOCR-Det核心功能实现**文字区域检测**，基于DB++（Dynamic Binarization++）算法改进，支持多尺度特征融合和自适应阈值预测。

RKNN-Toolkit2支持的深度学习框架包括Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet和PyTorch。

本文将在RKNN Docker环境中编译YOLOv8-Pose C Demo，并通过adb工具部署到RK3588开发板。

从V1到V4，MobileNet的演进体现了轻量化模型设计的三大趋势：**自动化架构搜索**、**硬件协同优化**与**通用性提升**。随着MobileNet V4在移动生态中的普及，边缘智能将加速渗透至智能安防、工业检测、远程医疗等领域。

本文介绍了深度学习框架TensorFlow与Keras的核心概念及安装使用。TensorFlow是Google开源的工业级深度学习引擎，提供灵活性和跨平台支持；Keras则是高级API，以简洁易用著称。二者在TensorFlow 2.0中整合，形成互补关系。文章详细讲解了张量、神经网络层和模型构建等基础概念，并提供了从环境配置到验证安装的完整指南，最后通过MNIST手写数字识别的"Hel