地平线旭日X3开发板--使用Opencv显示CSI摄像头例程

调试过程发现旭日派无法直接用opencv的VideoCapture()调用CSI摄像头,

需要使用libsrcampy库来获取CSI摄像头图像,

但是从libsrcampy获取的摄像头图像格式是NV12,无法直接在opencv上显示或者处理,

为了能够使用opencv的API来处理图像,

需要增加NV12转化成bgr像素格式的函数。

# nv12图像转化成bgr图像
def nv12_to_bgr_opencv(image, width=640, height=480):
    frame = np.frombuffer(image , dtype=np.uint8)
    img_bgr = cv.cvtColor(frame.reshape((height * 3 // 2, width)), cv.COLOR_YUV2BGR_NV12)
    return img_bgr

附件有完整的代码,运行命令:
sudo pyhton3 mipi_camera_opencv.py

需要使用opencv来做开发的小伙伴可以做个参考,效果如下图所示。

opencv显示图像.png

opencv显示图像.png

完整代码:

#!/usr/bin
终端侧AI芯片横评:RK3588、BM1684X与旭日X3实战对比 端侧AI与边缘计算是物联网和智能设备落地的关键,而芯片选型直接影响推理性能、功耗与成本。理解NPU算力、内存带宽及模型量化等原理,是评估边缘算力平台的基础。如今,从智能摄像头到机器人,YOLOv8等目标检测任务在终端设备上的部署需求激增,工具链的完善度与量化支持成为决定开发效率的核心因素。本文聚焦瑞芯微RK3588、算能BM1684X和地平线旭日X3三款主流边缘AI芯片,结合真实项目中的部署经验和踩坑记录,深入对比它们的算力规模、功耗表现、工具链流程及适用边界,并对端侧大模型运行能力进行了实测分析,为工业级 阅读详情

相关推荐

终端侧AI芯片怎么选?RK3588、旭日X5、Orin Nano实战对比与部署指南

边缘计算正成为AI落地的核心形态,其价值在于将实时推理、数据隐私和长期成本三者统一到本地设备上。理解终端侧AI芯片的算力分层与工具链差异,是选型的第一步:从MCU级轻量推理到边缘服务器级重负载,不同场景对应不同TOPS区间。部署实践中,模型转换与量化精度是常见难点,而芯片的NPU架构、软件生态和散热设计则决定了项目能否稳定量产。针对当前最热门的中高端边缘盒子需求,本文深度拆解RK3588的全能型集成方案、地平线旭日X5的专用视觉优化思路,以及Jetson Orin Nano的CUDA生态优势,结合模型转换、

weixin_33843409的博客 304

地瓜机器人与旭日X3派:智慧医疗赛项端侧AI部署全流程解析

边缘计算与嵌入式人工智能正在重塑医疗场景的落地方式。以BPU(脑处理器)为核心的国产开发平台,凭借低功耗与高算力的平衡,成为端侧推理的热门载体。这类平台通过专用的神经网络加速单元,将视觉检测、分类等任务从云端下沉到设备本地,既降低了网络依赖,也提升了响应速度。在智慧医疗、工业质检、机器人交互等场景中,基于PyTorch训练的模型经量化编译后部署至边缘设备,已成为工程实践的主流路径。本文围绕人脸皮肤病检测这一典型赛题,从数据工程、模型训练到端侧部署与性能调优,完整还原了一套基于旭日X3派与地瓜机器人的边缘AI

weixin_34354173的博客 373

从51单片机到Linux开发板:嵌入式工程师的成长路径与实战经验

微控制器(MCU)与微处理器(MPU)是嵌入式系统的两大核心平台。MCU集成了CPU、内存和外设接口,适合运行裸机程序或实时操作系统,在工业控制、传感器采集等实时性要求高的场景中广泛应用;而MPU需要外接内存和存储,能够运行完整的Linux等操作系统,适用于智能家居、边缘计算等复杂应用。从MCU到MPU的过渡,体现了从硬件寄存器操作到系统软件思维的转变,是嵌入式工程师技术栈拓宽的关键。本文基于STM32和全志T113等热门平台,分享开发板选型、环境搭建、驱动调试等实战经验,涵盖交叉编译、设备树配置等核心技能

weixin_34080951的博客 387

端侧AI芯片怎么选?从ESP32-S3到RK3588再到Orin Nano的实战解析

终端侧AI正从概念走向规模化落地,而选型的关键不在于盲目追求高算力,而在于匹配真实场景的算力层级与功耗预算。从超轻量MCU到嵌入式SoC,再到边缘计算模组,不同档位的硬件平台对应着截然不同的部署逻辑:低功耗唤醒、多路视频分析、复杂模型推理各有其最优解。本文以实际量产经验为依托,横向对比ESP32-S3、RK3588与NVIDIA Jetson Orin Nano三款代表性方案,剖析工具链成熟度、生态完整性与工程落地中的典型陷阱。无论你是做智能家居、边缘网关还是机器人感知,理解从百毫瓦级分类任务到40TOPS

weixin_34367257的博客 443

边缘AI技术地图:从芯片选型到模型压缩部署实战

边缘计算正将人工智能从云端延伸到万物互联的设备端,催生了设备端、边缘节点与边缘服务器三级协同的算力架构。其中硬件与算法的联合优化是决定项目成败的关键:从MCU到带NPU的SoC再到GPU平台,芯片选型需综合考量算力、内存带宽、工具链成熟度与功耗成本;而模型压缩三板斧——剪枝、量化、知识蒸馏,则让轻量级模型在受限算力下保持可用精度。智能摄像头、工业质检、安全帽检测等场景中,算力需求与部署功耗的博弈尤为典型,掌握从PyTorch到端侧推理的完整转换流程,以及硬件调试的排查方法,才能真正实现边缘智能的工程落地。这

weixin_34198453的博客 542

Jetson Nano+STM32F4智能小车数字识别系统实战解析

卷积神经网络(CNN)作为计算机视觉的核心技术,通过模拟生物视觉机制,能够从图像中自动提取并学习特征,实现高精度目标检测与识别。其原理在于利用多层卷积和池化操作,逐步抽象出图像的深层语义信息。在嵌入式AI领域,将CNN模型部署到资源受限的设备上,能够赋予终端设备实时、智能的视觉感知能力,具有显著的技术价值。这一技术广泛应用于智能监控、自动驾驶、工业质检及消费电子等场景。本文聚焦于嵌入式AI的工程实践,深入探讨了如何在Jetson Nano与STM32F4组成的异构平台上,通过YOLOv5模型与TensorR

weixin_30235225的博客 335

RDK X5 MJPG编解码性能优化实战:从OpenCV瓶颈到硬件加速的C++/Python全链路解析

本文深入解析了在RDK X5开发板上优化高分辨率MJPG图像采集与处理性能的全过程。针对OpenCV默认采集模式在高分辨率下帧率低、延迟高的问题,文章详细剖析了瓶颈根源,并提供了从软件配置优化到利用硬件编解码模块进行加速的完整C++/Python解决方案。通过实战代码演示了如何通过官方库及开源库OpenWanderary实现性能飞跃,最终达成低延迟、高帧率的实时处理目标。

weixin_29172963的博客 251

地平线旭日X3开发板--MIPI相机相关问题总结

但是这个显示器的主控有硬件上拉伸画面输出的能力(比如我的2K显示器能拉伸RDK X3的1080p的画面,成功显示),也可以成功显示HDMI的画面,但是不一定所有的都能成功,故不推荐这么使用。个人更加喜欢这种接近底层的接口,速度快,资源占用较小,与VPS模块整合较好,可以直接获得nv12的图像数据。Server版本的系统会显示地平线的LOGO,Desktop版本的系统会显示Ubuntu的桌面。程序的输出是从这个HDMI输出的,而VNC是将Ubuntu的图形界面显示在开发机上,

bingdund的博客 965

opencv调用海康摄像头

使用opencv调用海康威视网络摄像头

LVGL与STM32的理解(基于正点原子资料)

我们要在lcd_draw_fast_rgb_color里面实现对屏的具体操作(也就是在这里实现自己的代码)。lcd_set_window、lcd_write_ram_prepare、lcd_wr_data这三个函数是本例程LCD屏的控制函数(也就是自己写的函数)。以下是stm32工程的文件目录,GUI_APP也可以忽略(细节参考正点原子例程):这里主要是再次加强一下印象,主要就是把。,里面的lcd_init()与lcd_display_dir是。它们都是LVGL的接口,按照它们的需求,把内容给它们即可。

weixin_39257775的博客 3434

STM32驱动AD2S1210实现旋变解码与角度读取

旋转变压器作为一种耐高温、抗振动的角度传感器,在工业伺服、机器人关节和电动汽车电驱等场景中占据重要地位。其输出信号需要经过专用转换芯片处理才能被MCU高效使用。AD2S1210是一款典型的旋变数字转换器(RDC),内部采用Type II型跟踪环,将模拟SIN/COS信号实时解算为数字角度与速度,降低了处理器负担并提升抗干扰能力。本文基于STM32平台,详细介绍了AD2S1210的硬件接线、SPI通信配置、寄存器初始化流程,以及读取位置数据时的SAMPLE脉冲时序等关键实现。同时总结了常见故障如全FF、角度跳

weixin_34194829的博客 189

FoundationPose复现及Realsense应用

FoundationPose是一个统一的基础模型,用于6D对象姿态估计和跟踪,支持基于模型和无模型的设置。在测试时可以立即应用于未见过的新对象,无需微调,只要给出其CAD模型,或者捕获少量RGBD参考图像。得益于统一框架,下游姿态估计模块在两种3D模型设置中都是相同的,当没有CAD模型时,使用神经隐式表示进行高效的新视角合成。通过大规模合成训练,辅以大型语言模型(LLM)、一种基于transformer的新架构和对比学习公式,实现了强大的泛化能力。

m0_56661101的博客 1万+

原形网络(Prototypical Networks)基于PyTorch的实现

我在Jay2coomzz的基础上修改了数据处理方式和evaluation_model()方法,作为初学者若有不当之处恳请大家批评指正,原文链接如下: https://blog.youkuaiyun.com/weixin_38471579/article/details/102631018 数据集和源码链接将放到评论区 文章目录1 数据集一个简单的数据集介绍数据集处理2 搭建网络CNNProtonets 1 数据集 一个简单的数据集介绍 Omniglot数据集一共包含1623 类手写体,每一类中包含20 个样本。其中.

weixin_43872532的博客 6636

Nvivo12新手避坑指南:从安装到编码的完整流程(附实战案例)

本文为Nvivo12新手提供了从软件安装、初始设置到数据导入和编码分析的完整避坑指南。通过一个“校园欺凌现象的学生访谈研究”实战案例,详细拆解了处理中文文本、创建项目结构、执行手动编码及高级查询等关键步骤,帮助研究者避开常见错误,快速上手并高效完成质性数据分析。

resnet7explorer的博客 315

Test软件:Keysight二次开发_(3).安装与配置开发环境

在开始进行Keysight软件的二次开发之前,首先需要确保您的开发环境已经正确安装和配置。本节将详细介绍如何安装和配置必要的开发工具和依赖项,以便您能够顺利进行开发工作。

2401_87715305的博客 1412

端侧 AI 落地避坑指南(中):为什么 QAT 救不了精度?——对齐“融合后算子“的硬件物理约束

在上一篇文章中,我们深入探讨了量化的本质,并得出结论:QAT(量化感知训练)是保持精度的关键。明明做了 QAT,精度还是崩塌了!让我们看一个真实的案例:✅ 使用了✅ 配置了量化✅ 训练了 50 个 epoch,学习率降为原来的 1/10✅ 冻结了 BN 统计量FP32 模型:mAP = 0.85QAT 后 FP32:mAP = 0.84(正常)工具量化后:mAP = 0.68(崩塌!问题出在哪里?层融合(Layer Fusion)机制。

weixin_51988935的博客 55

矢量网络分析仪校准:原理、方法与系统适配性

矢量网络分析仪(VNA)校准是射频测量的关键环节,通过误差建模(12项误差项)和标准件测量,可将系统不确定度从±5dB降至±0.1dB以下。主流校准方法包括SOLT(适用于同轴系统)和TRL(适用于波导系统),二者在标准件、误差重点及频率上限等方面存在显著差异。随着6G与量子通信的发展,动态实时校准将成为新趋势。工程师需根据传输结构、频率范围及精度需求选择合适方法,确保测量精度。

u014344410的博客 262

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

上一篇: 地平线旭日X3开发板--摄像头驱动是否可以支持v4l2接口?
下一篇: 地平线旭日X3开发板--图像获取时间戳问题
龙猫不是猫!
博客等级 码龄5年 2355粉丝 198原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

龙猫不是猫!

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值