<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SaturnCloud的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SaturnCloud</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SaturnCloud]]></copyright><item><title><![CDATA[边缘计算+AI视觉全场景方案：GMP合规落地+生产全程追溯+质量风险前置，赋能医药数字化升级]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/170144761</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/170144761</guid><author>SaturnCloud</author><pubDate>Thu, 05 Nov 2026 17:00:09 +0800</pubDate><description><![CDATA[随着全球医药监管持续趋严，我国GMP对数据完整性的要求全面向ALCOA+标准看齐，明确要求生产、检验、质控全流程数据可归属、清晰、同步、原始、准确、完整、一致、持久、可用。A级/B级洁净区对人员更衣流程、气闸操作、无菌操作、人流物流走向有严格规范，传统依赖现场QA抽查，覆盖范围有限、频次不足，违规操作、不规范更衣、跨等级区域流动难以及时发现，极易引发微生物、微粒交叉污染风险，甚至导致整批产品报废；生产、检验、仓储、安防数据分散在MES、LIMS、WMS、监控等不同系统，数据不打通、不联动；]]></description><category></category></item><item><title><![CDATA[Bge_Reranker_V2_M3 精排模型全解与 SE110S 边缘部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/170131843</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/170131843</guid><author>SaturnCloud</author><pubDate>Thu, 05 Nov 2026 11:26:32 +0800</pubDate><description><![CDATA[做过 RAG 的人都见过这个场景：用户问“设备掉电后配置会不会丢”，向量检索的前三条是“上电流程”“配置备份说明”“掉电告警处理”，真正写着“配置写入 eMMC，异常掉电不会丢失”的那段排在第 8 位。本文拆解 Bge_Reranker_V2_M3 的交叉编码器结构、蒸馏训练与推理关键参数，给出在土星云 SE110S-WA32 / SE110S-WB16 上的部署、服务化与容量规划路径，并以“设备售后知识库问答”为样本，拆解精排链路的六个关键设计决策。精排的目标是“不超过总预算的 15%”。]]></description><category></category></item><item><title><![CDATA[无人超市边缘AI方案：AI视觉防损+智能运营+视频存管，打造24小时无人零售新标杆]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/170048127</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/170048127</guid><author>SaturnCloud</author><pubDate>Wed, 04 Nov 2026 16:11:19 +0800</pubDate><description><![CDATA[但行业发展始终面临核心痛点：商品偷盗、偷换、漏结算造成的高损耗，货架缺货、排面混乱影响的运营效率，以及消防、人员安全隐患；偷盗、偷换商品、漏结算、夹带带出是无人超市的核心痛点，传统依赖重力感应、RFID标签不仅成本高，还容易被规避，比如高价商品换低价标签、商品装袋不结算等行为难以识别；无人零售的核心竞争力在于成本与效率的平衡，AI视觉+边缘计算的方案，既解决了传统无人超市损耗高、云端依赖、运营粗的核心痛点，又具备部署快、易复制、性价比高的优势，是无人零售从“概念化”走向“规模化盈利”的关键技术支撑。]]></description><category></category></item><item><title><![CDATA[YOLO + SAM 3 混合自动标注：把数据集生产成本打下来的工程实践]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/170043532</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/170043532</guid><author>SaturnCloud</author><pubDate>Wed, 04 Nov 2026 14:22:59 +0800</pubDate><description><![CDATA[YOLO + SAM 3 的混合方案之所以有效，不是因为它用了两个更强的模型，而是因为它把任务拆成了「召回—精修—仲裁」三段，每一段都交给了最擅长的那一方：YOLO 管快与类别，SAM 3 管准与开放概念，人管边界与例外，工程管闭环与可追溯。这篇文章讲一套已经跑在生产环境里的混合方案：让 YOLO 负责「快」和「认得类别」，让 SAM 3 负责「准」和「开放概念」，人工只负责最后一公里的仲裁与验收。给定「黄色安全帽」这样的名词短语，它返回所有符合该概念的实例掩膜与框，并给出存在性评分。]]></description><category></category></item><item><title><![CDATA[基于 ArcFace 的闸机门禁刷脸：从底库整理到土星云 SE110S 系列边缘部署]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169937790</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169937790</guid><author>SaturnCloud</author><pubDate>Tue, 03 Nov 2026 12:47:19 +0800</pubDate><description><![CDATA[FP16 是精度兜底，SE110S-WA32 的 2.24ms 仍然很快，SE110S-WB16 和 SE110S-WC8 的 10ms 要算进并发预算；部署侧，三款设备跑 INT8 的单张人脸耗时 1.19ms、3.43ms、3.55ms，端到端 1.93ms、4.58ms、4.65ms，都远低于 300ms 预算；阈值不是凭感觉定的。真正的大头不在这张表里：检测的输入是 640×640，算力是 112×112 识别网络的十几倍，再叠加活体和抓拍图编码，一次通行的实际耗时通常在 80~200ms。]]></description><category></category></item><item><title><![CDATA[基于边缘计算与AI视觉的智慧街面治理方案：架构设计与场景落地]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169844737</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169844737</guid><author>SaturnCloud</author><pubDate>Mon, 02 Nov 2026 16:36:13 +0800</pubDate><description><![CDATA[传统人工治理模式已经难以满足新时代城市治理的高标准、高要求，AI视觉+边缘计算的方案，将治理感知与处置能力下沉到街面一线，实现全域、全时段的智能闭环治理，是提升城市治理效能、优化营商环境、保障公共安全的核心技术路径之一。主次干道、商圈广场、地铁出入口、背街小巷、景区周边点位分散、场景复杂，人工步行/车巡频次有限，夜间、背街区域存在大量监管盲区；重点监测主街出入口、地铁口、商圈周边等区域，自动识别外卖电瓶车、共享单车大面积违规停放，以及完全堵塞盲道、消防通道的现象，提示调度清运，保障游客与市民步行通行环境。]]></description><category></category></item><item><title><![CDATA[基于 PP-OCR 的车牌识别：从数据整理到土星云 SE110S 系列边缘部署]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169839524</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169839524</guid><author>SaturnCloud</author><pubDate>Mon, 02 Nov 2026 14:20:28 +0800</pubDate><description><![CDATA[顺序固定为左上、右上、右下、左下，紧贴字符外沿而不是车牌边框——把边框标进去，矫正出来的图会多一圈底边，识别端反而更难。识别标签不带空格和分隔点，中文一律用省份简称，字母数字大写，无法辨认的样本直接不标，不要"猜着标"，猜出来的标签会稳定地教坏模型。工程上的常规做法是"两段式"：先跑一个极轻的车辆检测或运动检测，只在有车的帧上做 OCR，实际触发率通常只有 10%~20%。下图展示的是端到端输出的可视化样式：绿色四边形是检测模型输出的文本区域，右侧"修正后"是透视变换的结果，也就是识别网络的真实输入。]]></description><category></category></item><item><title><![CDATA[基于 SAM2 的视觉自动标注平台：从数据整理、微调训练到土星云 SE110S 系列边缘部署]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169562564</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169562564</guid><author>SaturnCloud</author><pubDate>Fri, 30 Oct 2026 19:26:37 +0800</pubDate><description><![CDATA[所以它是“单点提示 + 无后处理”的保守下限，交互式标注里给的是框和多点，可用比例会明显更高。四个 bmodel 的时延相加，WA32 约 875.6 毫秒/帧（约 1.14 FPS），WB16 约 2894.5 毫秒/帧（约 0.35 FPS），适合离线批量预标注而不是实时跟踪。交互体验更好——改第二个、第三个实例时编码器结果已在缓存，每次提示只需再跑一次解码，WA32 是 14.62 毫秒，WB16 是 19.73 毫秒。SAM2 的思路是“提示即接口”：给一个点或一个框，直接吐出像素级掩膜。]]></description><category></category></item><item><title><![CDATA[基于 YOLOv26-OBB 的无人机视角路面汽车检测：从数据整理到 SE110S 系列边缘部署]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169543790</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169543790</guid><author>SaturnCloud</author><pubDate>Fri, 30 Oct 2026 10:47:47 +0800</pubDate><description><![CDATA[本文从 OBB 表示、数据采集与标注、微调训练，讲到 ONNX/BModel 转换，并给出土星云 SE110S-WA32、WB16、WC8 三款设备的部署方法与实测性能对照。建议 100~300 张 1024 切片，覆盖晴天/阴天/逆光、空路/拥堵、远车/近车，并保留 10%~20% 的难负样本（阴影、车道线、广告牌、空车位）。被遮挡的车只露车头，框会偏小；YOLO26-OBB 用旋转框解掉朝向和密集排列的问题，用端到端头省掉 NMS，用 DFL-free 和更规整的输出降低导出、量化、部署的复杂度。]]></description><category></category></item><item><title><![CDATA[基于 C3D 的跌倒检测：从数据整理到土星云 SE110S 系列边缘部署]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169453508</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169453508</guid><author>SaturnCloud</author><pubDate>Thu, 29 Oct 2026 13:49:49 +0800</pubDate><description><![CDATA[数据量少时，可以只训练 FC6 之后的部分。网络有 8 个三维卷积、5 次三维池化、3 个全连接层：通道依次为 64、128、256、256、512、512、512、512；视频用 1080p、25/30fps，快门不低于 1/100 秒，摄像头高 2.5~3 米，俯角 30~60 度，保证全身入镜。除了正常行走、坐下、站起，还要采集快速坐下、弯腰、下蹲、系鞋带、跪地、主动躺下、儿童、宠物、窗帘晃动。推荐 70%/15%/15%，训练、验证、测试各自包含不同受试者和房间，测试集至少留一个没见过的场景。]]></description><category></category></item><item><title><![CDATA[基于 YOLOv8 的安全帽检测：从数据集构建、模型训练到土星云 SE110S 系列边缘部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169438433</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169438433</guid><author>SaturnCloud</author><pubDate>Thu, 29 Oct 2026 09:55:10 +0800</pubDate><description><![CDATA[采样要覆盖三个维度：时段（早班、午间、夜班）、天气（晴、阴、雨雾）、机位（出入口近景、作业面斜视、远景俯拍）。校准集不要直接复用量化脚本自带的 COCO 图，应从自己的数据集里抽 200~500 张，覆盖夜间、远景、遮挡三类难样本，否则量化误差会集中到这些分布上。主干沿用 CSPDarknet 的设计思想，把 YOLOv5 的 C3 模块换成梯度分流更充分的 C2f：输入先经 1×1 卷积降维，再分成直连与 Bottleneck 两路，拼接后统一升维，既保留跨阶段特征复用，又减少主通道上的信息损耗。]]></description><category></category></item><item><title><![CDATA[SlowFast 视频行为识别算法原理与土星云 SE110S 系列部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169341527</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169341527</guid><author>SaturnCloud</author><pubDate>Wed, 28 Oct 2026 10:08:57 +0800</pubDate><description><![CDATA[本文参考的开源例程基于 PyTorchVideo 的 SlowFast R50 模型移植，在相同预处理流程下可与原模型精度对齐，支持 FP32、FP16、INT8 三种精度的模型编译与推理，支持单 batch 与多 batch，并提供基于 OpenCV 预处理的 C++ 与 Python 两套例程，方便在不同场景下集成。快通路（Fast Pathway）：以高帧率运行（为慢通路的 8 倍，即 α=8），但通道数仅为慢通路的 1/8（β=1/8），网络更加轻量，专门负责捕捉快速变化的运动信息。]]></description><category></category></item><item><title><![CDATA[端侧大模型新标杆：MiniCPM4 算法原理与土星云 SE110S 系列部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/169146896</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/169146896</guid><author>SaturnCloud</author><pubDate>Mon, 26 Oct 2026 10:47:49 +0800</pubDate><description><![CDATA[MiniCPM4 是面壁智能与清华大学团队于 2025 年 6 月开源的高效端侧大模型，提供 0.5B 与 8B 两种参数规模，仅用同级别模型 22% 的训练数据即达到比肩 Qwen3-8B 的性能，原生支持 128K 长上下文与深思考推理，是当前端侧大模型领域最具代表性的作品之一。结合 MiniCPM4 “高效、长上下文、深思考”三大特性，其典型场景包括：一是数据不出域的本地智能对话，在政务、医疗、工业等敏感场景中，模型完全运行在本地边缘设备，原始数据不出内网，满足隐私与合规要求；]]></description><category></category></item><item><title><![CDATA[ChatGLM4 大模型的边缘部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/168424421</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/168424421</guid><author>SaturnCloud</author><pubDate>Mon, 19 Oct 2026 09:49:35 +0800</pubDate><description><![CDATA[自回归生成分为两个阶段。整个交互支持多轮上下文。从实测结果看，SE110S-WA32 上 ChatGLM4 的首 token 延迟约 1.1 秒，解码速度 INT8 下为 4.471、INT4 下达到 7.489 tokens/s，能够支撑内网问答、文档理解与代码辅助等场景的日常使用。在 SE110S-WA32 上完成部署后，我们用例程自带的 chatglm4.py 做了一组案例测试，覆盖基础问答、代码生成、多轮对话与 Web 多会话四类场景，统一使用 glm4-9b_int4_1dev.bmodel。]]></description><category></category></item><item><title><![CDATA[MiniCPM-V 多模态大模型的边缘部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/168132211</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/168132211</guid><author>SaturnCloud</author><pubDate>Fri, 16 Oct 2026 13:53:18 +0800</pubDate><description><![CDATA[经过量化，4.1B 的模型能够在内存有限的设备上完成加载与推理，重采样模块输出的视觉 token 数量固定，也让不同尺寸图像的推理开销更加可预测。MiniCPM-V 4.0 以 4.1B 的参数规模，通过 SigLIP2 视觉编码、自适应分辨率、感知重采样压缩与 W4A16 量化等一系列设计，把多模态大模型的视觉理解能力压缩到了边缘设备可承载的量级。但这类模型通常参数量巨大、内存占用高，主流的开源模型动辄 7B、8B 参数，即便经过量化，也很难在算力与内存都受限的边缘设备上稳定运行。]]></description><category></category></item><item><title><![CDATA[土星云智慧服务区方案：AI视觉+边缘计算+视频存管一体化的全场景智能化落地解析]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/168018081</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/168018081</guid><author>SaturnCloud</author><pubDate>Thu, 15 Oct 2026 13:37:58 +0800</pubDate><description><![CDATA[AI视觉+边缘计算+视频存管一体化的方案，不用大规模改造服务区硬件，就能快速实现服务、安全、运营的全维度智能化升级，是当前智慧服务区建设中投入小、见效快、可复制性强的落地方向。但传统服务区运营普遍面临节假日车流暴增、潮汐效应明显、安全管控依赖人工、服务体验参差不齐、多系统数据孤岛等痛点，尤其是重大节假日期间，车位饱和、充电排队、餐饮拥堵、秩序混乱等问题集中爆发，运营管理压力巨大。节假日、出行高峰时段车流客流暴增，车位快速饱和、入口倒灌主线、充电排队数小时、餐饮卫生间排长队，车辆与人员疏导被动，旅客体验差；]]></description><category></category></item><item><title><![CDATA[P2PNet 人群计数算法全解析：从原理到土星云 SE110S 系列边缘部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/167888738</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/167888738</guid><author>SaturnCloud</author><pubDate>Wed, 14 Oct 2026 09:38:47 +0800</pubDate><description><![CDATA[借助 sophon-demo 提供的完整工具链，开发者可以在较短时间内完成从模型编译到推理测试的全流程，将 P2PNet 的人群计数能力快速带到边缘端。这一思想不仅在学术上获得了 ICCV 2021 Oral 的认可，在实际应用中也展现出了出色的可扩展性。土星云 SE110S 系列是国科环宇推出的工业级边缘计算微服务器，搭载高性能 AI 加速芯片，提供从 7.2 TOPS 到 32 TOPS 不同算力档位，支持多路 1080P 视频硬解码，ARM 架构低功耗设计，完美适配边缘端 AI 算法轻量化部署需求。]]></description><category></category></item><item><title><![CDATA[土星云边缘计算+AI视觉+视频存管：连锁汽修数字化升级实践]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/167804005</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/167804005</guid><author>SaturnCloud</author><pubDate>Tue, 13 Oct 2026 14:15:20 +0800</pubDate><description><![CDATA[正在成为行业数字化升级的标准路径：通过工位、车间、出入口全场景视频感知，边缘节点本地完成AI智能分析、质量判定、风险预警与视频存储，秒级响应异常事件，无需海量视频回传总部；AI视觉+边缘计算+视频存管一体化的方案，既解决了传统连锁模式服务标准难统一、客户信任低、管理成本高的核心痛点，又具备部署快、易复制、性价比高的优势，非常适合连锁品牌规模化落地。配备千兆以太网口、USB3.0、HDMI、RS232/RS485等接口，可直接对接存量摄像头、报警器、展示屏、工单系统等设备，利旧改造快速落地。]]></description><category></category></item><item><title><![CDATA[YOLOX 算法原理与土星云 SE110S 系列边缘部署实战]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/167664453</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/167664453</guid><author>SaturnCloud</author><pubDate>Mon, 12 Oct 2026 09:31:24 +0800</pubDate><description><![CDATA[而在 SE110S-WA32 上，INT8_4b 与 INT8_1b 的总耗时差异不大（2.73ms vs 2.74ms），说明 SE110S-WA32 的算力已经足够支撑单 batch 下的高效推理，batch 提升带来的边际收益有限。YOLOX 的选择是从根本上移除锚框。以 SE110S-WA32 平台为例，INT8 的 mAP@0.5:0.95 为 0.401，甚至略高于 FP32 的 0.400，说明在当前的量化策略和校准数据集下，YOLOX-S 对 INT8 量化具有良好的鲁棒性。]]></description><category></category></item><item><title><![CDATA[边缘计算 + AI 视频存管一体机：快递末端网点分拣提效与安全管控实战方案]]></title><link>https://blog.youkuaiyun.com/SaturnCloud/article/details/166834429</link><guid>https://blog.youkuaiyun.com/SaturnCloud/article/details/166834429</guid><author>SaturnCloud</author><pubDate>Tue, 29 Sep 2026 10:28:45 +0800</pubDate><description><![CDATA[本文导读末端快递站点五大核心痛点：分拣效率瓶颈、暴力分拣难管、安全隐患多发、监控存管低效、人工成本高企「感知 - 边缘存算 - 平台」三级架构：边缘 AI 分析 + 本地视频存管 + 云端统一管控，一站式落地五大核心场景：智能分拣辅助、作业规范管控、全域安全防控、车流人流管理、视频智能存管土星云全栈产品支撑：边缘计算微服务器 + 视频存管一体机 + 视频分析管理平台方案落地价值：分拣效率提升、破损投诉下降、安全事故减少、运维成本优化。]]></description><category></category></item></channel></rss>