泛在安防边缘智能视频分析

本文将YOLOX模型部署到瑞芯微NPU(RKNN)平台的完整流程分为四个步骤：1)环境准备，安装RKNN-Toolkit2和PyTorch等依赖工具；2)导出ONNX模型，修改YOLOX代码以分离后处理；3)转换RKNN模型，编写转换脚本并进行量化校准；4)端侧部署，在板端实现后处理逻辑。文中详细说明了每个步骤的关键配置和注意事项，包括模型结构调整、量化参数设置、后处理实现方法等，并提供了常见问题的解决方案，如算子不兼容、精度下降和性能优化等。该流程适用于RK3588等瑞芯微芯片平台。<｜end▁of

视频AI分析系统v1.0（纯cpu版）OPENCV 不支持cudaonnxruntime 不支持cuda支持yolov8支持libfacedetection

视频AI分析系统v1.0（纯cpu版）

两者并非绝对对立，部分 NMS-free 方法可能结合轻量后处理（如聚类），而传统模型也可通过改进 NMS（如 Soft-NMS）提升性能。基于传统的非极大值抑制（NMS）算法，通过交并比（IoU）筛选重叠框，保留置信度最高的框，抑制冗余检测。：DETR（Transformer）、CenterNet（关键点）、YOLOv9-nmsfree 变体。适用于依赖密集候选框的传统检测模型（如 YOLO、Faster R-CNN、SSD）。（如 CenterNet）：基于物体中心点或角点预测，自然减少重叠框。