<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[irislin1988的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/irislin1988</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; irislin1988]]></copyright><item><title><![CDATA[汽车产线端侧AI视觉质检完整指南]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/169562689</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/169562689</guid><author>irislin1988</author><pubDate>Fri, 30 Oct 2026 19:37:10 +0800</pubDate><description><![CDATA[IAF · 工业视觉质检 · 端侧 AI 落地。]]></description><category></category></item><item><title><![CDATA[缺陷检测AI关键点在哪]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/168970639</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/168970639</guid><author>irislin1988</author><pubDate>Sat, 24 Oct 2026 14:08:57 +0800</pubDate><description><![CDATA[用AI做缺陷检测，真正决定成败的不是算法或部署，而是数据处理。我们曾用知名公开数据集训练，AUC仅0.52（等于瞎猜）；换为“真实噪声+物理仿真缺陷回波”后，AUC飙升至0.976，110KB小模型实现93.5%准确率，还产出可信POD曲线。关键在于：数据里有真信号、标签100%精确，才能让模型学对。算法可商品化，部署是通道，唯数据处理是生死线——先验证信号是否存在，再谈建模与落地。]]></description><category></category></item><item><title><![CDATA[焊缝检测-超声波A扫波形-AI检测]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/168876373</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/168876373</guid><author>irislin1988</author><pubDate>Fri, 23 Oct 2026 15:06:22 +0800</pubDate><description><![CDATA[这件事最容易被搞混，先花一节讲明白。焊缝检测有两种完全不同的手段：关键区别在这：一条焊缝可以表面看起来漂漂亮亮，里面全是夹渣。反过来，表面有点缺陷，内部照样结实。所以这两个是互补关系，不是替代关系。你拿一个训好的焊缝视觉模型去说"我能做无损检测"，懂行的人一句"内部夹渣你怎么办"就能把你问住。我们之前的焊缝项目做的是 VT（视觉检测 + YOLO 检测框），这篇是把另一半补上。做之前先找数据。超声领域最出名的公开数据集是 ML-NDT（Strathclyde 大学 + Trueflaw 公司做的，论文 ar]]></description><category></category></item><item><title><![CDATA[Day12_零丢帧缓冲与帧年龄控制]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/166374187</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/166374187</guid><author>irislin1988</author><pubDate>Tue, 22 Sep 2026 22:58:06 +0800</pubDate><description><![CDATA[这就是。]]></description><category></category></item><item><title><![CDATA[Day11_多路视频流加权公平调度与令牌桶QoS]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/166374172</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/166374172</guid><author>irislin1988</author><pubDate>Tue, 22 Sep 2026 22:57:05 +0800</pubDate><description><![CDATA[本篇是「RK3568 边缘 AI 部署」系列的第十一篇。前情：Day10 我证明了 RK3568 的 NPU 是资源，多路总吞吐卡在 ~11 FPS，且简单轮询是"无差别公平"——超额订阅时所有路被平均压到 ~2.7 FPS。，这是"无 QoS"的代价。这一篇用带宽、给背景流按分配剩余带宽，并用实测数据回答——预留真的能保住关键流的帧率吗？]]></description><category></category></item><item><title><![CDATA[Day10文章_多路视频流调度与跳帧工程化]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/166374145</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/166374145</guid><author>irislin1988</author><pubDate>Tue, 22 Sep 2026 22:56:08 +0800</pubDate><description><![CDATA[要真正变快，得换个小一点的筐规（重新训练小模型），不是板上能随手改的。]]></description><category></category></item><item><title><![CDATA[ONNX 与 RKNN 详解：从模型格式到 RK3568 部署实战]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/165615334</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/165615334</guid><author>irislin1988</author><pubDate>Wed, 16 Sep 2026 15:15:42 +0800</pubDate><description><![CDATA[这篇用「菜谱 + 流水线」的比喻，帮你彻底搞懂模型格式、计算图、权重表，以及 RKNN 三层架构和版本对齐的坑。它的作用是给每个卷积核的输出结果做一个整体偏移。它的作用是做“从特征到类别的线性映射”，本质上是一张投票表：每个特征对每个类别投多少“支持票”。这里的 W1、B1、W2、B2 并不直接写进节点表，而是被放在 Initializers 表中，节点表只是“引用”它们的名字。┌──────────────────┐    .rknn 文件   ┌──────────────────┐。]]></description><category></category></item><item><title><![CDATA[Day11文章_多路视频流加权公平调度与令牌桶QoS]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/165492753</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/165492753</guid><author>irislin1988</author><pubDate>Tue, 15 Sep 2026 23:38:09 +0800</pubDate><description><![CDATA[本篇是「RK3568 边缘 AI 部署」系列的第十一篇。前情：Day10 我证明了 RK3568 的 NPU 是资源，多路总吞吐卡在 ~11 FPS，且简单轮询是"无差别公平"——超额订阅时所有路被平均压到 ~2.7 FPS。，这是"无 QoS"的代价。这一篇用带宽、给背景流按分配剩余带宽，并用实测数据回答——预留真的能保住关键流的帧率吗？]]></description><category></category></item><item><title><![CDATA[Day10-多路视频流调度与跳帧工程化]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/165486019</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/165486019</guid><author>irislin1988</author><pubDate>Tue, 15 Sep 2026 17:29:35 +0800</pubDate><description><![CDATA[本篇是「RK3568 边缘 AI 部署」系列的第十篇。前情：Day9 我发现 RK3568 的 NPU 是资源，多实例并发总吞吐卡在 ~10.5 FPS（DDR 带宽瓶颈）。那真实场景里多摄像头怎么办？]]></description><category></category></item><item><title><![CDATA[Day9_用sysfs实测NPU饱和度与DVFS调频]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164733037</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164733037</guid><author>irislin1988</author><pubDate>Wed, 09 Sep 2026 11:47:36 +0800</pubDate><description><![CDATA[明天后计划做 RKNN 多路视频流的工程化（既然并发吞吐上限是 10.5 FPS 等效，多路场景就要认真做跳帧/降分辨率权衡了）。本系列所有代码与数据都在 GitHub 仓库，欢迎取用。]]></description><category></category></item><item><title><![CDATA[Day8_多batch实测与摄像头实时流]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164478269</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164478269</guid><author>irislin1988</author><pubDate>Mon, 07 Sep 2026 17:40:25 +0800</pubDate><description><![CDATA[系列：RK3568 边缘 AI 部署实战上一篇：Day7《板端从 2.8 FPS 到 14.8 FPS：NPU + 后处理 C 化实战 + 交叉编译一坑三连》关键词：多 batch 推理、NPU 利用率、onnx batch 维重写、value_info、UVC 摄像头、MJPG、RGA、实时流环境：ATK-DLRK3568（RK3568 / NPU 1TOPS / RKNN Runtime 1.5.0）]]></description><category></category></item><item><title><![CDATA[# Day7｜板端从 2.8 FPS 到 14.9 FPS：NPU + 后处理 C 化实战 + 交叉编译一坑三连]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164376729</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164376729</guid><author>irislin1988</author><pubDate>Fri, 04 Sep 2026 22:52:16 +0800</pubDate><description><![CDATA[满屏狂飙。这说明官方 demo 的。]]></description><category></category></item><item><title><![CDATA[# Day6｜NPU 只用了 23%：一次端到端性能分解，把后处理提速 149 倍]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164334584</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164334584</guid><author>irislin1988</author><pubDate>Thu, 03 Sep 2026 15:47:30 +0800</pubDate><description><![CDATA[系列：RK3568 边缘 AI 部署实战上一篇：Day5《第一个 .rknn 在 NPU 上跑通了：78.77ms / 12.7 FPS》关键词：RK3568、RKNN、YOLOv5s、INT8、性能分解、NMS、后处理、C 化。]]></description><category></category></item><item><title><![CDATA[# Day5：第一个 `.rknn` 在 NPU 上跑通了 —— 版本对齐 + 78.77ms 实测全解读]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164296129</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164296129</guid><author>irislin1988</author><pubDate>Wed, 02 Sep 2026 13:58:49 +0800</pubDate><description><![CDATA[PC 虚拟机] [RK3568 板子]yolov5s.onnx ──toolkit2──> yolov5s.rknn ──scp──> RKNNLite ──> NPU 推理(28.9MB) 转换+量化 (7.3MB) (Python) (78.77ms)Day4 完成 ✅ Day5：今天要打通的就是右边这半截把昨天转出的模型喂给板子的 NPU，看它能不能出正确的框。听起来简单，实际卡了一个上午 —— 卡在哪？卡在两边不是同一个年代的东西。]]></description><category></category></item><item><title><![CDATA[# Day4：第一个 `.rknn` 诞生 —— 转换脚本逐行解读 + 环境四连坑]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164269360</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164269360</guid><author>irislin1988</author><pubDate>Tue, 01 Sep 2026 22:28:42 +0800</pubDate><description><![CDATA[早上和中午都在"交环境税"，晚上 30 分钟就转出了模型。]]></description><category></category></item><item><title><![CDATA[# RK3568 边缘 AI 从零上手(三):PC 端装转换工具,搞懂“三层分工“与 15 条命令]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164231197</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164231197</guid><author>irislin1988</author><pubDate>Mon, 31 Aug 2026 23:20:44 +0800</pubDate><description><![CDATA[<think>我们根据内容生成一个≤150字的摘要。需要概括主要点：PC虚拟机的定位（不是桥梁而是离线交叉编译工位）、三层分工、15条命令清单、遇到的坑。摘要要简洁。</think>本文纠正“PC虚拟机是桥梁”的误解，明确其作为离线交叉编译工位的角色；梳理云端、PC、板端三层分工，并说明转换必须在PC进行的三个理由。实践部分给出从安装rknn-toolkit2到转换yolov5s的15条命令清单，并提醒注意工具包实际位置及用uname -m判别机器身份等避坑要点。]]></description><category></category></item><item><title><![CDATA[传统代码到运行和AI链路部署的区别]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164095504</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164095504</guid><author>irislin1988</author><pubDate>Thu, 27 Aug 2026 09:47:59 +0800</pubDate><description><![CDATA[传统流程：以人工编码为核心的单向线性流水线，从需求分析一路走到编译、测试、部署，走完即止。AI 链路：以「自然语言描述意图 + 模型生成代码 + 人工审查」为核心的闭环迭代，编译与测试的结果会反馈回模型继续修正。两者共享同一条机器执行链路（预处理 → 编译 → 汇编 → 链接），区别主要体现在「代码如何产生」与「错误如何被处理」上。librknnrt.so = libc.so + JVM + GPU 用户态库(libmali.so)三合一,是"板子推理"这一步的运行时引擎;.rknn。]]></description><category></category></item><item><title><![CDATA[Day2-RK3568 边缘 AI 从零上手(二):一条命令跑通 NPU 推理,读懂背后的调用链与量化]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164095414</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164095414</guid><author>irislin1988</author><pubDate>Wed, 26 Aug 2026 19:02:28 +0800</pubDate><description><![CDATA[C 通道:出厂预编译的 mobilenet demo,一键跑通,读懂 Top5 和量化参数Python 通道:装 rknnlite(cp38-aarch64 wheel),LeNet 识别手写数字 5原理:NPU 调用链(应用 → librknnrt.so → 驱动 → NPU)、INT8 量化(定点数)、训练→转换→部署全流程下一步:用 rknn-toolkit2 在 PC 上把 YOLOv5 从 PyTorch/ONNX 转成自己的.rknn,量化并对比精度——真正走一遍"转换"这一步。]]></description><category></category></item><item><title><![CDATA[RK3568 里面有什么？]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164084618</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164084618</guid><author>irislin1988</author><pubDate>Wed, 26 Aug 2026 15:22:47 +0800</pubDate><description><![CDATA[Android 也是基于 Linux 内核，但上面是 Google/安卓框架：Binder、SurfaceFlinger、ART 虚拟机/运行时、安卓 Framework、APK 应用生态、触摸/移动界面等。它直接管理 CPU/内存/驱动/文件/网络/进程。→ 图形/图像加速，负责界面、OpenGL/Vulkan/部分OpenCL、视频/UI渲染等。人机屏/消费触屏/盒子有时用 Android。外设控制器：USB、PCIe、SATA、网口、I2C/SPI/UART/PWM/CAN/ADC、显示接口等。]]></description><category></category></item><item><title><![CDATA[【嵌入式AI学习 Day1】RK3568开发板上手实录：串口连接、启动日志解读、SSH网络打通（新手避坑）]]></title><link>https://blog.youkuaiyun.com/irislin1988/article/details/164034777</link><guid>https://blog.youkuaiyun.com/irislin1988/article/details/164034777</guid><author>irislin1988</author><pubDate>Mon, 24 Aug 2026 22:50:49 +0800</pubDate><description><![CDATA[【嵌入式AI学习 Day1】RK3568开发板上手实录：串口连接、启动日志解读、SSH网络打通（新手避坑）写在前面本人 11 年嵌入式软件工程师（C/C++、Linux 内核、驱动），但边缘 AI 部署是全新的方向。为了转岗嵌入式 AI，入手了正点原子 ATK-DLRK3568 开发板（RK3568，4 核 A55 + 0.8T 算力 NPU），目标是跑通「YOLO→ONNX→RKNN→NPU」全链路。今天 Day1，把板子启动、串口、网络全部打通，记录过程与踩坑。]]></description><category></category></item></channel></rss>