在科技飛速發展的當下，人工智能與邊緣計算的融合正以前所未有的速度重塑著我們的生活。RK3576芯片擁有4核Cortex-A72以及4核Cortex-A53提供基礎算力，6TOPS算力NPU來模型推導運算。使用YOLOv8模型時也是手到擒來，接下來隨著步伐看看它表現如何。

圖：此次的板卡米爾RK3576核心板開發板

YOLO簡介

YOLO（You Only Look Once）是當前業界領先的實時目標檢測算法系列，以其速度和精度的完美平衡而聞名。從它發布至今，經歷了好幾個版本變革，下圖是它發展歷史。

圖1-1. YOLO版本發展史

YOLOv8在性能、易用性、架構現代性和生態之間取得了最佳的平衡，它是目前最全面，最省心選擇。

同樣YOLOv8也有很多尾綴，用一個表簡單列一下它們分別代表什么意思：

表1-1.按任務類型區分

后綴	全稱	任務	輸出	典型應用
-det	Detection	目標檢測	邊界框 (BBox)+類別和置信度	找出圖像中所有感興趣的物體并用框標出。如：行人檢測、車輛檢測、安全帽檢測。
-seg	Segmentation	實例分割	邊界框+類別+像素級掩膜 (Mask)	在目標檢測的基礎上，進一步勾勒出物體的精確輪廓。如：摳圖、自動駕駛中識別道路和車輛形狀。
-pose	Pose	關鍵點檢測	邊界框+人體關鍵點(17個點)	檢測人體的關鍵骨骼點。如：動作識別、健身姿態分析、人機交互。
-cls	Classification	圖像分類	整個圖像的類別標簽	判斷一張圖片屬于哪個類別。如：貓狗分類、圖像質量評估。
-obb	Oriented Bounding Boxes	旋轉目標檢測	旋轉邊界框(BBox+角度θ)+類別和置信度	檢測帶有角度的物體，其邊界框不是水平的。

表1-2.按模型尺寸分

前綴	含義	特點	適用場景
n	Nano	極小的模型，速度最快，精度最低	移動端、嵌入式設備（如 Jetson Nano）、CPU實時推理
s	Small	小模型，速度和精度平衡	最常用的起點，適合大多數需要實時性的場景（如視頻流分析）
m	Medium	中等模型，精度和速度的最佳權衡	對精度有較高要求，且仍有不錯的速度
l	Large	大模型，精度高，速度較慢	服務器端應用，其中精度比速度更重要
x	X-Large	超大模型，精度最高，速度最慢	學術研究、刷榜、對精度有極致要求的離線分析

米爾Demo模型選擇

基于MYD-LR3576來說，選擇s/n小模型相對合適，使用基礎功能和-seg，-obb，-pos來演示。

單獨測試視頻場景效果展示

1.YOLOv8s.int 目標檢測模型

2.YOLOv8s-seg.int 實例分割模型

3.YOLOv8s-pose.int 人體姿態估計模型

4.YOLOv8s-obb.float 旋轉目標檢測模型

上面已經看到了單獨解析視頻時，每一種模型效果，接下來演示MYD-LR3576通過4路攝像頭同時推導效果。

實現方式如下：

MYD-LR3576擁有3路MIPI-CSI接口，通過3個MY-CAM004M分別接入3路MIPI-CSI，采用2+1+1方式搭載4路AHD高清攝像頭，攝像頭采集的畫面輸出為H.264編碼的RTSP碼流，1920*1080分辨率，30幀。經過MYD-LR3576開發板處理后，單路視頻輸出1920*1080，25fps，4路視頻加起來在60~70幀，cpu占用率接近100%，NPU綜合利用率在50~60%。

圖1-2. 實物接線概要圖

圖1-3. 攝像頭數據處理流程圖

MYIR在程序中做了哪些優化

AI推導一輪流程

• 獲取CSI一幀數據
• 裁剪數據到xxx*yyy較小圖片
• 調用RKNN api處理
• 獲取返回特征位置和相似度
• 對應放大到原始圖片
• 增加方框和相似度值到原圖

這樣做后果是CPU利用率不高，視頻采集幀數低，最后顯示效果會卡頓。

米爾采用線程池方案，將上述過程通過線程處理，充分利用4個A72和4個A53資源，同時采用RGA來做圖片裁剪和放大。將CPU,GPU,NPU,VPU4個模塊協同工作，資源最大限度開發使用。

總結：

RK3576 在 YOLOv8 模型表現上十分亮眼，它的應用場景涉及到很多領域。例如智能安防，在公共場所，如機場、火車站、商場等，部署的安防監控系統，快速準確地識別出人群中的異常行為，如打架斗毆、奔跑逃竄等，并及時發出警報，同時，通過人臉識別技術，系統可以對進入場所的人員進行身份識別，與數據庫中的信息進行比對，實現對重點人員的監控和追蹤。又或者搭載智能機器人賦予迅速反饋。

更多MYD-LR3576創新應用，敬請期待。