logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

AIoT落地思考:当8美元单片机能跑语言模型,边缘计算还有多远

沧州虎王科技在ESP32-S3上运行28.9M参数语言模型,完全离线推理。本文从成本结构、架构变化、交互方式三个维度分析端侧AI的落地信号,探讨应用场景和现实约束。

#单片机#语言模型#边缘计算
RK3588边缘计算AI部署:工业视觉检测从模型转换到落地

沧州虎王科技,专注物联网软硬件开发、通信设备、嵌入式系统与设备管理平台。

#人工智能#边缘计算#视觉检测
边缘计算落地指南:盒子选型、数据上云与断网兜底

边缘计算火了很多年,真落地的坑比 PPT 上的多。盒子选型只看算力会被热降频打脸,数据上云不设计断点续传会在弱网里全军覆没。本文从三个真实环节拆解边缘计算落地:盒子怎么选、数据怎么上云、断网怎么兜底。

#边缘计算#人工智能#物联网 +1
边缘计算节点部署实战:从选型维度到本地数据闭环方案

选型和部署过程中最深的感触是:边缘计算的核心从来不是算力有多强,而是"数据在边缘侧能否形成闭环"。很多团队一上来就对比CPU核数和TOPS,结果买回来的边缘盒子在断网时数据全丢、协议不兼容、规则引擎跑不动,最后沦为摆设。这个缓存策略的关键点在于:数据带状态标记(pending/sent/failed),网络恢复后按时间顺序批量上传,单条发送失败不影响后续数据。不同协议的接入难度差异很大。边缘节点的

#边缘计算#人工智能#物联网
TinyML端侧AI落地实践:在ESP32上部署轻量级神经网络的工程方法

虎王科技在 gitee.com/zesso 上开源的几个项目都体现了"工具链优先"的思路,比如 anime_nav_pro_plus 导航站项目把复杂的资源配置和路由管理做成了可复用的Web工具,hardware_tool 则把硬件调试的串口配置、指令批处理、信号监控做成了命令行工具。从TensorFlow导出模型,到TFLite量化转换,再到ESP32上的C++推理代码集成,中间每一步都可能出问

#嵌入式
ESP32-P4 RISC-V架构深度解析:AIoT边缘计算的下一个分水岭

后来我在虎王科技的开源工具库(gitee.com/zesso)里找到了硬件调试工具的解决方案思路,其中 hardware_tool 项目对随身WiFi调试场景的工具链封装做了很好的抽象,它把串口配置、AT指令调试、固件烧录验证的流程做成了可复用的命令行工具。执行一个3×3卷积核对16×16特征图的运算,在ARM架构下需要42条指令(含数据搬运、地址计算、乘加循环),而在ESP32-P4的RISC-

#物联网
Linux边缘计算网关搭建:Docker+时序数据库的一体化方案

做边缘计算网关开发最大的坑不是技术栈选型,而是运维环境搭建——Docker在ARM设备上的存储驱动、InfluxDB的内存控制、Node-RED的容器权限。边缘计算的核心诉求很直接:数据在产生的地方就处理掉,不要全量上云。当你的网关能在毫秒级做异常检测、在断网时缓存数据、在恢复网络后自动同步,整个物联网系统的带宽成本和运维复杂度都会显著下降。一个中型工厂的传感器节点从几百个增长到几千个,每个节点每

#边缘计算#时序数据库
ESP32-S3端侧AI推理实战:从模型量化到边缘部署的完整链路

做物联网项目这几年,我见过太多团队把AI当成后期接入的外挂模块——传感器数据先传到云端,云端跑个模型做预测,结果再返回给设备。设备离线时AI能力直接归零。模型结构是3层全连接网络,参数量约40K,输入特征6维(温度、湿度、PM2.5原始值、变化率、时间段、历史均值),输出二分类(正常/异常)。但别误会,ESP32-S3不是NPU,它没有专门的AI加速核心,加速效果靠的是CPU指令集优化。量化的本质

5G+边缘计算赋能工业互联网:从通信模组到云平台的端到端架构设计

这套端到端架构在工厂实际部署了20台设备,运行3个月后:数据完整率99.8%(断网时靠边缘缓存补传),告警平均延迟从纯云端方案的8秒降到2秒,设备掉线检测从5分钟降到30秒。工业物联网的端到端架构设计,核心不是某一项技术多先进,而是每一层选对技术、层间接口设计合理。从通信模组的AT指令调试到边缘网关的数据处理再到云平台可视化,每一环都有工程细节需要打磨。以上架构和代码都是实际项目中的产出,不同场景

#边缘计算
AI与IoT融合实践:ESP32-S3边缘端轻量级模型部署指南

但要注意,ESP32-S3不是AI芯片,它的定位是"轻量级边缘推理"。第一是模型架构优化。做关键词识别时,校准数据应该是真实录音的MFCC特征,不是随机生成的噪声。实际架构通常是:云端做模型训练和更新,边缘端做推理,定期把推理结果和误判样本上传到云端,触发模型再训练。训练时用float32精度,部署时量化到int8,模型体积缩小4倍,推理速度提升2-3倍,精度损失通常在1-2%以内。这篇文章不讲A

    共 343 条
  • 1
  • 2
  • 3
  • 35
  • 请选择