
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
这套系统从2024年初启动,到2025年中完成首批量产部署,前后开发周期约一年半。主控:RK3588(旗舰机型)+ RK3568(量产机型),Buildroot Linux / Android 11AI识别:YOLOv11n + 重力感应双系统融合,端侧NPU推理,识别准确率98%以上网络后台硬件配套:万宝压缩机、R290制冷剂、40mm环戊烷发泡保温层、双层中空电加热玻璃项目做完后的最大感受是:
2026年,AI行业正在经历一场静悄悄的范式转移。两年前,行业对大模型的想象几乎都在云端——参数越大越好,集群越强越好-。但2026年的技术趋势已经截然不同:大模型正在从聊天框里走出来,走向手机、汽车、机器人等终端设备-。行业普遍将2026年定义为从“数据上云、推理上云”转向“数据本地、推理本地”,端侧AI正在成为产业最大的共识-。2026年WAIC上,端侧AI芯片的展示占据了展馆的显著位置-。推
光羽芯辰的TC1020、后摩智能的漫界M50、瑞芯微的RK1828/1820等芯片,都不具备独立运行操作系统的能力,而是作为“AI外挂”通过PCIe等标准接口与主控芯片协同工作。而在这场从云端到终端的算力迁移中,真正考验的不仅是算法和芯片,更是工程化的系统能力。北京智源人工智能研究院联合端侧实验室发布的《端侧智能2026——规模化落地元年》报告指出,囿于成本、时延、隐私三大约束,大模型正经历第二次
从PyTorch训练到RK3588端侧NPU部署,完整技术栈如下:训练框架Ultralytics YOLOv11n,模型转换走PyTorch→ONNX→RKNN(rknn-toolkit2 v2.3.0),端侧推理用RKNN Runtime,C++方案做零拷贝优化。目标硬件是RK3588,6 TOPS NPU算力,场景识别准确率稳定在98%以上。端侧AI部署的工程落地,80%的精力都在处理转换、量
从PyTorch训练到RK3588端侧NPU部署,完整技术栈如下:训练框架Ultralytics YOLOv11n,模型转换走PyTorch→ONNX→RKNN(rknn-toolkit2 v2.3.0),端侧推理用RKNN Runtime,C++方案做零拷贝优化-1。端侧AI部署的工程落地,80%的精力都在处理转换、量化和边界情况——版本对齐、算子兼容、校准数据集、前后处理对齐、环境适应性。模型
目前,这套端侧AI方案已在自动售货机行业部分头部设备制造商的产品上完成量产验证,采用AI视觉加重力感应双重识别方案,识别准确率不低于98%以上,支持5000多种商品精准识别;实际效果:采用方案七后,INT8量化模型在RK3588上的推理时耗降至30毫秒左右,后处理时耗约7毫秒,总时耗控制在40毫秒以内。在方案四基础上,去掉坐标框和得分进行分开的split操作,以及得分的sigmoid函数,输出1个
多路架构:两路摄像头独立流水线,主摄像头(1080p,商品识别)分配NPU两核30fps,副摄像头(720p,辅助检测)分配NPU一核15fps。最终效果:单路推理38fps,多帧投票后识别准确率96.2%,结算时间约1秒,CPU占用约20%,连续运行30天无崩溃。三阶段流水线:拉流解码、预处理、推理、后处理各阶段独立线程,队列串起来,单路稳定35fps以上,端到端延迟约50ms。性能目标:单路推
目前,这套端侧AI方案已在自动售货机行业部分头部设备制造商的产品上完成量产验证,采用AI视觉加重力感应双重识别方案,识别准确率不低于98%,支持5000多种商品精准识别;从YOLOv5s到YOLOv11n的优化路径:模型选型速度提升83%,INT8量化速度提升73%,预处理加速延迟降低50%,三阶段流水线吞吐提升1.5倍。三阶段流水线:拉流解码、预处理、推理、后处理各阶段独立线程,队列串起来,单路
在这场从云端到终端的算力迁移中,推理速度、网络韧性、成本结构和隐私合规这四个维度,将共同决定未来三年智能零售终端的竞争格局。MWC 2026上,广和通发布了基于联发科Genio 520和720平台的AI ECR方案,整机AI算力高达10 TOPS,搭载Android 15操作系统,支持本地轻量化大语言模型接入,可实现智能语音交互、实时库存预测及复杂视觉识别任务。本文从云端方案的瓶颈、端侧AI带来的
2026年,端侧AI规模化落地正在重塑自动售货机行业的技术架构。AI视觉开门柜对端侧算力的需求从“能用”升级为“够用且稳定”,芯片选型成为决定产品竞争力的关键变量。本文基于实测数据,对当前自动售货机行业主流的三个端侧AI平台——瑞芯微RK3588、算能BM1684X、联发科Genio 720——进行横向对比,为开发者提供选型参考。







