这个项目的价值在于把 RK3588 上分散的硬件能力组织成了一条可部署的视频 AI 产品链路：输入侧兼容文件、摄像头和 RTSP，计算侧使用 MPP、RGA 和 RKNN，识别侧组合 YOLO、ByteTrack 和车牌 OCR，输出侧支持 MP4、RTMP 和 Web 播放，业务侧还可以继续连接 MQTT、OLED 和继电器。从代码结构看，项目采用“输入分支统一、阶段线程解耦、队列有界、网络异步

1. Vision ONNX 可以在 Windows 或 Linux 导出；2. ONNX 转 RKNN 建议在 Linux 中完成；3. RKLLM 导出必须使用 x86_64 Linux 环境；4. 量化优化阶段耗时较长，CPU 下 1 小时以上属于正常；5. 不同 transformers 版本可能导致模型结构路径不同，需要注意 visual 模块位置。至此，Qwen3-VL-2B-Inst

在 RK3588 NPU 上运行 Qwen3-VL-2B。通过局域网网页完成图片问答和连续文字对话。使用 Python Web 服务、SSE 和 Unix Socket 连接 C++ 推理进程。通过 Sherpa-Onnx + RKNN 接入 Type-C 耳机麦克风，实现中文实时语音识别。通过受限 Function Calling 控制本地音乐播放。保留 RKLLM 原生 C++ API 示例、