在工業(yè)4.0與邊緣計算加速發(fā)展的背景下，嵌入式設(shè)備的實時目標(biāo)檢測能力已成為智能制造等領(lǐng)域的核心技術(shù)需求。然而，移動端設(shè)備受限于算力與能耗，傳統(tǒng)深度學(xué)習(xí)框架難以兼顧效率與精度。為此，睿擎平臺在RT-Thread 系統(tǒng)上深度集成NCNN推理框架，通過其輕量化架構(gòu)與硬件級優(yōu)化能力，結(jié)合YOLO系列算法的高效單階段檢測特性，實現(xiàn)了工業(yè)場景下的目標(biāo)檢測系統(tǒng)。

一. NCNN 簡介

NCNN是由騰訊公司開源的一個專為移動端平臺設(shè)計的高性能神經(jīng)網(wǎng)絡(luò)前向計算框架。該框架以其輕量級、高效率以及強大的跨平臺兼容性而著稱，能夠在資源受限的移動設(shè)備上實現(xiàn)深度學(xué)習(xí)模型的快速部署與高效推理。NCNN的核心優(yōu)勢在于其精簡的庫體積、優(yōu)化的計算性能，特別適用于嵌入式設(shè)備等邊緣計算場景中的AI應(yīng)用開發(fā)。

二. YOLO 模型簡介

YOLO（You Only Look Once）是一種革命性的實時目標(biāo)檢測架構(gòu)，其核心思想是將目標(biāo)檢測任務(wù)重構(gòu)為單階段回歸問題。與傳統(tǒng)的兩階段檢測器（如Faster R-CNN）相比，YOLO通過單次前向傳播即可同時預(yù)測圖像中所有目標(biāo)的邊界框坐標(biāo)、類別概率和置信度。當(dāng)前YOLO系列（v5/v7/v8/v10）持續(xù)優(yōu)化精度-速度平衡，結(jié)合NCNN等輕量級推理框架，已成為工業(yè)機器視覺領(lǐng)域?qū)崟r目標(biāo)檢測的部署標(biāo)準(zhǔn)。其單階段處理架構(gòu)從根本上解決了傳統(tǒng)方法在實時性上的瓶頸，為嵌入式設(shè)備賦予高響應(yīng)能力。

三. 睿擎派實戰(zhàn)部署

以下步驟完整展示了在睿擎派（基于瑞芯微 RK3506J 三核 Cortex A7 1.5G 主頻，256M Bytes DDR，256M Bytes Nandflsh）硬件平臺上部署和運行 YOLOV3 模型的過程。

1. 創(chuàng)建示例工程

a.示例工程

在RuiChing Studio 中，按以下步驟創(chuàng)建 09_ai_mobilenetv2_yolov3

b. 核心示例代碼

工程生成的 yolov3.cpp 文件中，核心代碼部分如下:

c. 對核心代碼解析如下：

l cv::imread：加載需要檢測的圖像；

l detect_yolov3：運用 YOLOv3 模型對輸入的圖像進(jìn)行目標(biāo)檢測，把檢測到的目標(biāo)信息存于 objects 向量中；

l draw_objects ：在輸入圖像上繪制檢測到的目標(biāo)框和標(biāo)簽，然后把繪制后的圖像保存到指定路徑源。

2. 編譯示例工程

對 09_ai_yolo_detection 示例工程進(jìn)行編譯：

3. 運行程序

a. 準(zhǔn)備模型和資源

在SD卡中存放mobilenetv2_yolov3.param和mobilenetv2_yolov3.bin，以及待檢測的圖片。

b. 運行程序

運行程序后，將測試圖像傳入系統(tǒng)，程序會調(diào)用 YOLO 模型進(jìn)行目標(biāo)檢測，在輸出圖像上繪制檢測到目標(biāo)的邊界框和類別標(biāo)簽。

查看檢測結(jié)果

小結(jié)

睿擎工業(yè)開發(fā)平臺憑借其全棧自主可控的軟硬件協(xié)同架構(gòu)，在成功部署YOLO等視覺檢測模型的基礎(chǔ)上，進(jìn)一步支持多類型AI框架與模型的靈活接入，為工業(yè)場景提供了開放、高效的AI賦能平臺。

想親手在睿擎派上復(fù)現(xiàn) NCNN+YOLO 的實時目標(biāo)檢測？想體驗從模型部署到工業(yè)場景落地的全流程實操？

9 月 4 日，睿擎工業(yè)開發(fā)平臺上海站 Workshop 為你開放專屬實戰(zhàn)機會 —— 現(xiàn)場不僅能近距離觀摩機器視覺 DEMO（基于 NCNN 框架的實時目標(biāo)檢測，搭配 4.3 寸 MIPI 屏直觀展示檢測結(jié)果）

參會即得 “睿擎派” 50 元優(yōu)惠券，更有機會抽中睿擎派開發(fā)板或《RT-Thread 設(shè)計與實現(xiàn)》書籍，帶設(shè)備回家繼續(xù)深耕機器視覺開發(fā)！