產(chǎn)品測評：基于RK3588工業(yè)級芯片，構建智能工業(yè)互聯(lián)網(wǎng)網(wǎng)關

繼前幾期電子發(fā)燒友用戶為我們帶來了關于HZHY-AI300G的精彩測評后，本期我們再次為大家分享一份新的產(chǎn)品測評。本次測評涵蓋了更多產(chǎn)品性能的細節(jié)與實際操作反饋，希望能為廣大愛好者提供新的啟發(fā)和參考。以下是完整測評內(nèi)容，歡迎大家持續(xù)關注并積極交流討論！

感謝電子發(fā)燒友和北京合眾恒躍科技有限公司提供的評測機會。

HZHY-AI300G工業(yè)級國產(chǎn)化智盒，采用RK3588工業(yè)級芯片組適應-40℃-85℃工業(yè)級寬溫網(wǎng)關。

以前測試過其他廠家的RK3568產(chǎn)品，對瑞芯微的工具也比較了解。

項目計劃

此次評測的項目計劃：

1.根據(jù)文檔，學習RK3588的AI開發(fā)環(huán)境和相關的程序框架。

2.利用RKNN框架進行視頻識別的模型構建工作。

3.利用該開發(fā)板的接口實現(xiàn)WiFi和RS485傳感器的連接工作，構建工業(yè)互聯(lián)網(wǎng)關。

4.將所接收到的數(shù)據(jù)上傳至MQTT服務器平臺。

外觀介紹

周末就拿到了開發(fā)板，非常的小巧，和實驗室使用的工業(yè)網(wǎng)關做個對比，簡直是美女和野獸的區(qū)別。

產(chǎn)品配了兩根天線，短的是WiFi的，長的是4G的。

作為一款在復雜工況中使用的產(chǎn)品，4G模塊還是非常有用的。

文字資料

在合眾恒躍的網(wǎng)站上可以看到基本的資料：RK3588-文檔教程README--ShowDoc

產(chǎn)品的接口非常豐富，包括兩個網(wǎng)口、兩個USB口、一個調(diào)試口、一個OTG口、TF卡和SIM卡的接口。

產(chǎn)品還提供了GPIO、2個RS485、1個RS232接口，采用的是插拔式的PCB接線座，非常方便使用。

合眾恒躍在B站上提供了很多學習視頻，這點還是值得稱道的。

內(nèi)容主要包括：

AI 300G的環(huán)境構建和外設測試；

RK3588，包括RKNN開發(fā)工具的介紹；

RK35588項目實戰(zhàn)，包括OCR識別、YOLOv8目標識別、人臉識別等。

廠商還提供了Linux入門的教程， 這對新手非常友好。我以前接觸過一些工程師，他們以前有MCU經(jīng)驗，但是初試學習Linux還是有些困難的。做RK3588的產(chǎn)品的廠商目前很多，合眾恒躍還是給人不錯的第一印象。

例程測試

HZHY-AI300G智能盒默認的系統(tǒng)是Ubuntu，這樣非常方便使用，接上USB鍵盤和鼠標就像使用電腦一樣。

廠商在百度盤中提供了測試例程，今天就來簡單的測試一下。

RTC測試

廠商提供的例程是針對交叉編譯環(huán)境的，要在本地編譯，修改修改一下Makefile。

將原來的代碼中的CC注釋掉：

1.#CC=/home/hzhy/HZHY/RK3568/rk356x_

linux_sdk/buildroot/output/rockchip_rk3568/

host/bin/aarch64-buildroot-linux-gnu-gcc

2.CC=/home/hzhy/HZHY/RK3568/

3568_demo/HZ-EVM-RK3568-GCC/bin/aarch64-buildroot-linux-gnu-gcc

3.

4.APP_SRC_DIR = ./src

5.APP_INC_DIR = ./inc

改為：

1.rockchip_rk3568/host/bin/aarch64-

buildroot-linux-gnu-gcc#

2.CC=/home/hzhy/HZHY/RK3568/

3568_demo/HZ-EVM-RK3568-GCC/bin/aarch64-buildroot-linux-gnu-gcc
3.

4.APP_SRC_DIR = ./src

5.APP_INC_DIR = ./inc

然后Make就可以得到可執(zhí)行文件了。開發(fā)板的RTC設備為/dev/rtc或/dev/rtc0。默認的設備訪問權限是只有root用戶可以讀寫，所以使用sudo chmod 666 /dev/rtc將設備修改為人人可以讀寫。然后運行./rtc_demo rtc -r就可以讀出RTC數(shù)據(jù)了。

UART測試

我在后面會用到RS485，所以也簡單的運行了一下UART的程序程序。

從程序的結果可以看出，系統(tǒng)中有4個USB串口，這是4G模塊所使用的，可以通過串口給模塊發(fā)指令，進行上網(wǎng)操作；另外三個串口，ttyS0應該是RS232，而ttyS7和ttyS8應該是RS485接口。后面，我會專門測試串口的使用。

Neuron工業(yè)協(xié)議網(wǎng)關軟件

Neuron早先是開源軟件，核心部分和MODBUS、MQTT插件都免費?，F(xiàn)在NeuronEx是最新版本，已經(jīng)不開源了。

1

軟件安裝

Neuron是可以直接用現(xiàn)成的deb軟件包安裝的。廠商提供的x86和ARM架構的不同軟件包。

根據(jù)不同版本及架構下載安裝包，例如：

1.wget https://www.emqx.com/zh/downloads/

neuron/2.6.8/neuron-2.6.8-linux-amd64.deb

2.sudo apt install neuron-2.6.8-linux-amd64.deb

安裝后的版本，Neuron 提供了 30 個點（30 個連接和 30 個數(shù)據(jù)標簽）的免費額度。可在不安裝 EMQ 許可證的情況下，運行這些商業(yè)模塊。超出免費額度后，則必須安裝有效的試用版或官方 EMQ 許可證。

2

軟件運行

3

軟件運行

在南向設備中選擇新建設備，創(chuàng)建一個名為RS485的設備，設備類型選擇Modbus-RTU。

在創(chuàng)建設備的頁面，物理鏈路選擇為Serial，串口設備設置為/dev/ttyS8。

4

創(chuàng)建要監(jiān)視的數(shù)據(jù)點位

完成南向插件的添加和配置后，要建立設備與 Neuron 之間的通信，首先應為南向驅動程序添加組和點位。點擊RS485設備，添加一個名為 Data 的數(shù)據(jù)組 。

點位是分配給一條信息的非分層唯一關鍵字，其中定義了設備中的數(shù)據(jù)存儲位置和數(shù)據(jù)操作屬性，還包含有關數(shù)據(jù)的一些元數(shù)據(jù)信息，如比例因子、精確度和讀/寫屬性等。我使用的溫濕度傳感器有兩個點位：溫度和濕度。點位將被分配到組中。同一個組的數(shù)據(jù)以相同的頻率進行采集以及上報。創(chuàng)建好組和點位，即可從數(shù)據(jù)監(jiān)控中獲取點位的實時值。

我選用的傳感器是冀歐速傳感器，它的產(chǎn)品采用的是MODBUS協(xié)議。MODBUS是一個非常老的協(xié)議，1979年成為事實上的國際標準，目前有個國際組織進行維護：The Modbus Organization。

RS485接口產(chǎn)品中使用的是MODBUS over Serial Line協(xié)議，或者稱為MODBUS RTU協(xié)議，其官方文檔定義：Specification and Implementation Guide for MODBUS over serial line

協(xié)議的基本格式非常簡單，有地址域、功能碼、數(shù)據(jù)和CRC校驗組成。

冀歐速傳感器的查詢命令如下，這里功能碼0x03就是用來查詢數(shù)據(jù)的。

對數(shù)據(jù)簡單解釋一下：

濕度數(shù)據(jù)0x164，就是10進制的356，對應著35.6% RH

溫度數(shù)據(jù)0xFFDD，就是-35的補碼，對應-3.5℃。

在組列表頁，點擊組名稱進入點位列表頁，添加需要采集的設備點位，包括點位地址，點位屬性，數(shù)據(jù)類型等。我們添加兩個點位：

溫度：read屬性，INT16類型，地址：1!40001，乘系數(shù)值為 0.1

濕度：read屬性，INT16類型，地址：1!40002，乘系數(shù)值為 0.1

其中，其中Read屬性用于讀取數(shù)據(jù)，1 代表 Modbus 模擬器中設置的點位站點號，40001 代表點位寄存器地址，400001是第一個保持寄存器，設備值 * 乘系數(shù) = 顯示值`。

5

數(shù)據(jù)查看

在南向設備中，可以看到RS485設備的運行狀態(tài)。

在數(shù)據(jù)監(jiān)控頁面就可以看到溫濕度傳感器傳過來的信息。

至此，我們完成了南向設備的添加工作。

前面介紹了如何在HZHY-AI300G智能盒創(chuàng)建南向設備，有了南向設備就可以實現(xiàn)數(shù)據(jù)采集，但是還需要建立北向設備才能將數(shù)據(jù)發(fā)送到MQTT服務器上。在介紹北向設備之前，先介紹如何在華為IoTDA平臺上建立設備。

華為IoTDA平臺

華為云設備接入IoTDA指的是設備接入服務（IoT Device Access），是華為云的物聯(lián)網(wǎng)平臺提供海量設備連接上云、設備和云端雙向消息通信、批量設備管理、遠程控制和監(jiān)控、OTA升級、設備聯(lián)動規(guī)則等能力，并可將設備數(shù)據(jù)靈活流轉到華為云其他服務，幫助物聯(lián)網(wǎng)行業(yè)用戶快速完成設備聯(lián)網(wǎng)及行業(yè)應用集成。

首先進入華為云IoTDA網(wǎng)站：華為云物聯(lián)網(wǎng)平臺_華為云IoT平臺_IoT_設備接入-華為云，點擊控制臺按鈕進行登錄。控制臺界面如下圖：

注冊IoTDA實例

在控制臺界面處點擊左上角三條橫線，會出現(xiàn)菜單；

選擇“IoT物聯(lián)網(wǎng)”——“設備接入IoTDA”；

在左側欄目中選擇IoTDA實例，在標準版處選擇購買實例；

每位用戶都有一次免費的使用機會，在其中選擇免費單元即可。

創(chuàng)建產(chǎn)品

1.在左欄中選擇 產(chǎn)品→創(chuàng)建產(chǎn)品；

2.填寫產(chǎn)品名稱、協(xié)議類型（MQTT）和數(shù)據(jù)格式（JSON）；

3.設備類型選擇調(diào)整為“自定義類型”，設備類型隨意填寫；

4.創(chuàng)建完產(chǎn)品進入產(chǎn)品詳情界面，隨后可以為產(chǎn)品定義物模型，添加物模型中的服務，并添加相應的功能屬性。不過Neuron的MQTT插件不支持華為物模型的數(shù)據(jù)格式，除非專門寫一個北向插件，否則Neuron發(fā)送的數(shù)據(jù)可以被華為云接收處理，但是不能顯示為華為物模型，所以我們省略物模型的構建。

添加設備

選擇左欄中的“設備→所有設備” 注冊新設備，為后面Neuron的數(shù)據(jù)上傳做準備。

接下來介紹一下如何建立北向應用將采集到的數(shù)據(jù)發(fā)送到華為云物聯(lián)網(wǎng)服務器上。

Neuron的北向應用

Neuron 是運行在物聯(lián)網(wǎng)邊緣網(wǎng)關硬件上的工業(yè)協(xié)議網(wǎng)關軟件，通過將來自繁雜多樣工業(yè)設備的不同協(xié)議類型數(shù)據(jù)轉換為統(tǒng)一標準的物聯(lián)網(wǎng) MQTT 消息，實現(xiàn)設備與工業(yè)物聯(lián)網(wǎng)系統(tǒng)之間、設備彼此之間的互聯(lián)互通，進行遠程的直接控制和信息獲取。Neuron 支持同時為多個不同通訊協(xié)議設備、數(shù)十種工業(yè)協(xié)議進行一站式接入及 MQTT協(xié)議轉換。北向插件用于連接到IOT平臺或邊緣流處理引擎，北向插件和南向插件組合使用實現(xiàn)數(shù)據(jù)采集和數(shù)據(jù)傳遞。

創(chuàng)建北向節(jié)點

在Neuron控制臺創(chuàng)建北向 MQTT 節(jié)點，連接并將點位數(shù)值上傳到 MQTT Broker，此處是華為IoTDA平臺。

在配置 -> 北向應用，點擊 添加應用 添加 MQTT 客戶端節(jié)點：

名稱：此應用節(jié)點名稱，例如，HuaweiIoT；

插件：選擇 MQTT 插件。

點擊創(chuàng)建后，將跳轉至應用配置頁面，我們將在這里配置 Neuron 與北向應用建立連接所需的參數(shù)。您也可點擊設備卡片上的設備配置圖標進入應用配置界面。

設置MQTT連接參數(shù)

點擊應用卡片上的 應用配置 按鍵進入應用配置界面設置 MQTT 連接。

上述參數(shù)可以在云平臺的左欄中 “設備→所有設備“，然后選定要使用的設備，進入設備詳情后，選擇”MQTT連接參數(shù)：查看” 中找到。我選擇非SSL模式，這里的端口信息一定要選擇1883。如果要使用SSL，則端口為8883，則在服務器和Neuron中都需要配置CA證書。

在Neuron中點擊提交，完成北向應用的配置，應用卡片自動進入 運行中 的工作狀態(tài)。如果連接狀態(tài)顯示為斷開，請檢查網(wǎng)絡狀態(tài)或者MQTT連接參數(shù)是否正確。

訂閱南向設備的數(shù)據(jù)

采集點位是以組為單位進行數(shù)據(jù)上傳的，訂閱選擇要上傳的點位組。

在設備卡片或設備列，可點擊數(shù)據(jù)統(tǒng)計圖表查看及應用運行情況、接收和發(fā)送的數(shù)據(jù)情況。

在華為云上查看上傳數(shù)據(jù)

如果Neuron中設備狀態(tài)顯示為已連接，就意味數(shù)據(jù)被成功發(fā)送到華為云上了。

登錄華為云的控制臺，在左欄中點擊“監(jiān)控運維→在線調(diào)試/消息跟蹤→選擇設備” 選中目標設備后返回點擊IoT平臺即可查看到相關日志。

數(shù)據(jù)也可以導出為Excel文件供進一步分析。數(shù)據(jù)也可以轉發(fā)給華為的數(shù)據(jù)庫，然后利用數(shù)據(jù)大屏進行可視化分析。這些內(nèi)容超出了本次測評的范圍，就不詳細介紹了。前面已經(jīng)展示了AI300G智能盒轉為工業(yè)網(wǎng)關的能力，接下來我們將測試RK3588的NPU推理能力。

首先，需要安裝RKNN相關工具和Python的環(huán)境。

安裝RKNN工具

瑞芯微提供的NPU相關工具包括RKNN-Toolkit2、RKNN Toolkit Lite2。

RKNN-Toolkit2是為用戶提供在 PC、 Rockchip NPU平臺上進行模型轉換、 推理和性能評估的開發(fā)套件， 用戶通過該工具提供的 Python接口可以便捷地完成以下功能：

1.模型轉換： 支持 Caffe、 TensorFlow、 TensorFlow Lite、 ONNX、 DarkNet、 PyTorch等模型轉為 RKNN模型， 并支持 RKNN模型導入導出， RKNN模型能夠在 Rockchip NPU平臺 上加載使用。

2.量化功能： 支持將浮點模型量化為定點模型， 目前支持的量化方法為非對稱量化（ asymmetric_quantized-8及asymmetric_quantized-16） ， 并 支 持 混 合 量 化 功 能 。

3.模型推理： 能夠在 PC上模擬 Rockchip NPU運行 RKNN模型并獲取推理結果； 或將 RKNN模型分發(fā)到指定的 NPU設備上進行推理并獲取推理結果。

4.性能評估： 將 RKNN模型分發(fā)到指定 NPU設備上運行， 以評估模型在實際設備上運行時的性能。

5.內(nèi)存評估： 評估模型運行時的內(nèi)存的占用情況。 使用該功能時， 必須將 **RKNN 模型分發(fā) 到 NPU設備中運行， 并調(diào)用相關接口獲取內(nèi)存使用信息。

6.量化精度分析： 該功能將給出模型量化前后每一層推理結果與浮點模型推理結果的余弦距離， 以便于分析量化誤差是如何出現(xiàn)的， 為提高量化模型的精度提供思路。

RKNN Toolkit Lite2為 Rockchip NPU平臺提供 Python編程接口，幫助用戶部署 RKNN模型，加速 AI應用的落地。我們在開發(fā)板上一般只需要安裝RKNN Toolkit Lite2，而RKNN-Toolkit2通常是安裝在電腦上的。

安裝pip3

AI-300G采用的是Ubuntu系統(tǒng)，默認是安裝了Python 3.8，但是沒有安裝RKNN相關的工具。開發(fā)板上沒有pip3，所以需要先安裝一個：

sudo apt install python3-pip

安裝RKNN Toolkit Lite2

然后從https://github.com/airockchip/rknn-toolkit2/tree/master/rknn-toolkit-lite2/packages下載所需要rknn_toolkit_lite2的安裝包，對于我的配置，就是rknn_toolkit_lite2-2.0.0b0-cp38-cp38-linux_aarch64.whl文件。

使用pip進行安裝：

pip install rknn_toolkit_lite2-2.0.0b0-cp38-cp38-linux_aarch64.whl

另外，安裝一下OpenCV，方便進行圖像處理：

pip install -i https://mirror.baidu.com/pypi/simple opencv_contrib_python

安裝RKNPU2運行庫

瑞芯微的NPU運行還需要RKNPU2運行庫支持。首先從https://github.com/airockchip/rknn-toolkit2/tree/master/rknpu2/runtime/Linux下載所需要的RKNN Server和RKNPU2 Runtime庫。注意：不要使用廠商提供的百度盤里面的庫文件，那些文件版本太低了。 瑞芯微的NPU相關工具迭代速度相當快，要注意模型、工具之間的版本匹配。

至此，運行Python NPU推理程序的開發(fā)環(huán)境就準備好了。環(huán)境準備好之后，接下來利用瑞芯微的NPU進行道路視頻中的車輛識別，根據(jù)識別到的車輛的數(shù)量估計道路的流量情況，實現(xiàn)智慧交通中的流量監(jiān)控功能。

YOLOv8的RKNN模型

我們使用YOLOv8框架進行目標的檢測。YOLOv8（You Only Look Once version 8）是一個深度學習框架，用于實現(xiàn)實時對象檢測。YOLOv8 繼承了前代模型的優(yōu)點，并在此基礎上進行了多項改進，包括更復雜的網(wǎng)絡架構、更優(yōu)化的訓練流程和更強大的特征提取能力。

瑞芯微在其Github倉庫中提供了大量已經(jīng)優(yōu)化和測試驗證過的模型，其中就包括YOLOv8：

https://github.com/airockchip/rknn_model

_zoo/blob/main/examples/yolov8/

README.md。

瑞芯微提供的模型是一個優(yōu)化后的模型，與官方原始模型不同。以yolov8n.onnx為例來展示它們之間的差異。

1、它們輸出信息的對比如下。左邊是官方原始模型的輸出，右邊是優(yōu)化后的模型輸出。如圖所示，原始模型的輸出被分為三個部分。例如，在輸出集合（[1,64,80,80],[1,80,80,80],[1,1,80,80]）中，[1,64,80,80]是邊界框的坐標，[1,80,80,80]是對應于80個類別的邊界框置信度，而[1,1,80,80]是80個類別置信度的總和。

請注意，這里的解釋是基于常見目標檢測模型（如YOLO系列）的輸出格式，具體細節(jié)（如維度含義）可能因模型版本或實現(xiàn)而異。但一般來說，上述解釋提供了關于YOLO類模型輸出結構的通用理解。

2、以輸出集合（[1,64,80,80],[1,80,80,80],[1,1,80,80]）為例，瑞芯微在模型中移除了兩個卷積節(jié)點之后的子圖，保留了這兩個卷積的輸出（[1,64,80,80],[1,80,80,80]），并增加了一個reducesum+clip分支來計算80個類別置信度的總和（[1,1,80,80]）。

這里的“reducesum”操作通常用于對某個維度上的元素進行求和，而“clip”操作用于限制求和結果的取值范圍，以避免數(shù)值溢出或保持數(shù)值在特定范圍內(nèi)。

瑞芯微提供的YOLOv8模型的訓練方法和官方的完全相同，只是在導出的時候做了一些修改，有關導出 RKNPU 適配模型說明請見：https://github.com/airockchip/ultralytics_

yolov8/blob/main/RKOPT_README.zh-CN.md。

程序的部署

YOLOv8程序在RK3588上的部署，我們參考了風箏2100的博文https://blog.csdn.net/weixin_42206548

/article/details/138507491，在此表示感謝。

和RKNN_model_zoo 中的examples 提供的YOLOv8 的相關 demo，該程序有兩點改進：

1.借助rknn-multi-threaded使用多線程推理提高NPU的占用率，參考：

https://blog.csdn.net/2401_84011132/

article/details/137803348

2.優(yōu)化了Python 后處理部分去除PyTorch 依賴，將后處理耗時從幾百毫秒降低到了幾十毫秒。

在 main.py 文件中，可以修改模型、線程數(shù)，還可以修改成實時推理攝像頭。

1.# 推理視頻文件

2.cap = cv2.VideoCapture('./720p60hz.mp4')

3.

4.# 推理實時攝像頭

5.cap = cv2.VideoCapture(0)

6.cap.set(cv2.CAP_PROP_FRAME_

WIDTH,640)cap.set(cv2.CAP_PROP_

FRAME_HEIGHT,480)

程序啟動后會顯示RNKK的相關信息：

1.python3 main.py

2.I RKNN: [1932.433] RKNN Runtime Information, librknnrt version: 2.0.0b0 (35a6907d79@2024-03-24T1014)

3.I RKNN: [1932.433] RKNN Driver Information, version: 0.9.3

4.I RKNN: [1932.434] RKNN Model Information, version: 6, toolkit version: 1.6.0+81f21f4d(compiler version: 1.6.0 (585b3edcf@2023-12-11T0756)), target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape

5./rknnModel/yolov8s.rknn done

6.I RKNN: [1932.644] RKNN Runtime Information, librknnrt version: 2.0.0b0 (35a6907d79@2024-03-24T1014)

7.I RKNN: [1932.644] RKNN Driver Information, version: 0.9.3

8.I RKNN: [1932.644] RKNN Model Information, version: 6, toolkit version: 1.6.0+81f21f4d(compiler version: 1.6.0 (585b3edcf@2023-12-11T0756)), target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape

9./rknnModel/yolov8s.rknn done

10.I RKNN: [1932.770] RKNN Runtime Information, librknnrt version: 2.0.0b0 (35a6907d79@2024-03-24T1014)

11.I RKNN: [1932.770] RKNN Driver Information, version: 0.9.3

12.I RKNN: [1932.771] RKNN Model Information, version: 6, toolkit version: 1.6.0+81f21f4d(compiler version: 1.6.0 (585b3edcf@2023-12-11T0756)), target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape

13../rknnModel/yolov8s.rknn done

流量統(tǒng)計

我們在每幀推理結束后，統(tǒng)計其中"car"、"motorbike "、 "bus"和"truck"對象的數(shù)量，作為流量統(tǒng)計的依據(jù)。

為了避免上傳到云服務器的數(shù)據(jù)過多，每30幀上傳一次數(shù)據(jù)。我的程序已經(jīng)可以在開發(fā)板上實時運行，并顯示車輛檢測結果。

完成了車輛檢測工作，我們將數(shù)據(jù)通過MQTT協(xié)議上傳到華為IoTDA服務器。

華為IoTDA建立產(chǎn)品和設備

華為IoTDA的用法前面已經(jīng)介紹了，這里就簡單描述一下步驟。先在華為云中創(chuàng)建一個產(chǎn)品。

然后在該產(chǎn)品的物模型中，添加5個屬性，即合計、轎車、卡車、摩托車和客車。

再在產(chǎn)品中創(chuàng)建一個設備用于MQTT接入。

Python程序編寫MQTT客戶端

pip install paho.mqtt程序中使用了paho.mqtt庫，所以先需要安裝該庫文件：

1.pip install paho.mqtt

每30幀發(fā)送一次數(shù)據(jù)到服務器，發(fā)送數(shù)據(jù)的函數(shù)定義如下：

運行程序，從華為云的控制臺，我們就可以看到上傳的數(shù)據(jù)了。

程序下載

完整的程序可以從這里下載：*附件：hzhy-ai300g.zip

說明：其中MQTT的參數(shù)被用XXXX代替了，需要用真實的華為云接入?yún)?shù)代替。測試用的720p60hz.mp4和RKNN模型文件太大了，需要的同學請到publish / rknn3588-yolov8 · GitLab (bwbot.org)下載。

至此，我們這次評測就完全結束了，歡迎大家留言提出寶貴的意見。

目前電子發(fā)燒友上產(chǎn)品使用測評正在進行中，歡迎大家積極反饋，正是有了你們的支持，我們才能不斷進步，為用戶帶來更加優(yōu)質的智能產(chǎn)品體驗。