AIMC 边缘智能板卡渲染图
AIMC Lab · 工业视觉智能检测系统

让工业视觉
从「会看」到「会判断」

一个平台完成模型生产,一块板卡完成现场落地。
AIMC 把 AI 质检的门槛,从算法团队降到一线工程师。

数据集、标注、训练、RKNN 导出与模型商店在同一浏览器内闭环;板卡端以数据流为核心,实时推理、规则联动、本地存储与 OTA 全部内置。不依赖外网,不绑定账号,开箱即可上线。

云边协同 · 端到端闭环 免代码向导 离线完整可用 国产 NPU 生态
5步完成模型训练
3步完成现场部署
7款RK 系列芯片
60FPSRK3588 @640
0次CPU 图像拷贝
4域插件体系
01 / Why AIMC

工业视觉落地,难在「最后一公里」

算法 Demo 与稳定产线之间,隔着数据、工程与运维三座山。AIMC 不是再做一个训练框架,而是把整条链路做成可交付的产品。

Pain 01

数据散:素材在电脑,标注在表格

图片靠文件夹、标注靠 Excel、版本靠文件名。换一个人接手,等于从头再来。

  • 统一数据集工作区,图片与标注一处管理
  • YOLO 压缩包一键导入,自动解析与统计
  • 标签体系、训练/验证/测试集自动划分
Pain 02

模型难:环境、版本、量化处处是坑

训练环境难装、依赖版本冲突、量化参数不透明,非算法工程师很难独立完成。

  • 向导式训练,基线与超参给出推荐默认值
  • GPU 节点化调度,新机器即插即用
  • ONNX → RKNN 版本配方封装,用户零感知
Pain 03

落地慢:换芯片、接协议、断网停摆

模型换芯片要重写工程,现场协议五花八门,网络一断整套系统就不可用。

  • 标准部署包,跨 7 款芯片同一套软件
  • 串口 / MQTT / TCP / UDP 多通道并存
  • 板卡离线完整运行,U 盘即可导入模型
AIMC 的答案 把「模型生产」与「边缘运行」拆成两个标准件,再用一个部署包连接起来。平台专注把数据变成模型,板卡专注把模型变成动作;两者只通过 deploy_package.zip 耦合,任何一端升级都不影响另一端。
5步数据集 → 标注 → 训练 → 导出 → 部署
4域预处理 / 检测 / 目标处理 / 输出插件
3路板卡多源并发,每路独占 NPU 核
100%内网离线场景可完整运行
02 / System

一朵云,一块板,一条闭环

平台侧负责模型生产与分发,板卡侧负责实时推理与现场联动。两层只通过标准模型包耦合,既能云端协同,也能完全离线运行。

用户 · 浏览器 无需安装客户端 · 平台与板卡均为 Web 界面 云端 · AIMC Vision Hub 模型生产 · 资产管理 · 设备运营 SaaS / 私有化 数据集 图片 / YOLO 压缩包导入 标签体系 · 自动划分 标准重编码 · 进度门控 智能标注 Canvas 画框 · 八向缩放 VLM / ODE 预标注 整集批量 · 暂停继续 训练服务 YOLOv8 / 11 / 26 全尺寸 GPU 节点 Agent 调度 实时指标 · 安全取消 评估与导出 mAP / Loss / 混淆矩阵 PT → ONNX → RKNN fp16 / int8 · 帧率预估 模型商店 开源索引 · 社区发布 一键迁移训练 自动转换与上架自检 设备运营 授权签发 · 审计 OTA 灰度 · 回滚 固件构建 · 插件市场 边缘 · AIMC Hub 板卡 实时推理 · 规则联动 · 本地闭环 离线可用 ① 视频源 USB / MIPI / RTSP / 虚拟拼接 多源并发 ② 预处理 去雾 / 降噪 / 超分 · 按流启用 RGA 硬件 ③ 检测 · NPU AI 模型 / 传统视觉 / 并行融合 零拷贝 ④ 后处理 跟踪 · 越线/区域 · 测量 · 规则链 按流独立 ⑤ 输出 存储 / 串口 / MQTT / TCP / UDP / Lua 多通道并存 每条数据流 = 一路视频源 + 四个环节;同一模型可服务多路视频 存储策略、输出配置、插件参数全部在端侧保存 deploy_package 模型包 运行数据 / 帧率基准 现场设备层 板卡通过标准协议直接对接,无需额外网关 工业相机 USB / MIPI / RTSP 产线、园区、机台现场画面 PLC / 分选机 串口开关量、RS485 IO 检出即触发剔除、报警、停机 MES / 上位机 MQTT / TCP / UDP JSON 结构化结果直连业务系统 本地存储池 NVMe / SATA / USB / TF 录像、事件快照与索引本地留存
Fig 01云—边—场三层架构:平台生产模型,板卡实时推理,现场设备直接联动。模型包是唯一耦合点,板卡离线亦可完整运行。

云端:模型工厂

数据集、标注、训练、评估、导出、商店与设备运营集中在一个 Web 平台,浏览器即工作台。

边缘:推理中枢

板卡以数据流组织全部能力,从采集、预处理、检测到输出,一条流管到底,现场无需 PC。

耦合:一个部署包

平台输出标准 deploy_package.zip,U 盘、网页或在线同步导入,板卡不依赖云端长连接。

边界与信任 平台只负责授权与防盗版,不保留对终端设备的控制权。存储策略、输出模板、插件参数全部在端侧配置与保存;OTA 也不与账号绑定,仅基于设备硬件指纹与授权凭证校验。设备断网,产线照常运行。
03 / Platform

云端模型工厂:把训练变成一条生产线

从 200 张现场图开始,到可部署的 RKNN 模型,全部在一个浏览器内完成。每一步都有推荐默认值与进度反馈,算法经验不再是门槛。

五步模型生产线 每一步都有进度、校验与回退,失败不会把整条链路卡死 01 数据集 上传 / 导入 / 划分 产出:训练集 + 标签 02 智能标注 AI 预标注 + 人工确认 产出:已确认检测框 03 训练 YOLO 基线 + GPU 节点 产出:best.pt + 指标 04 评估与导出 RKNN 转换 + 帧率预估 产出:.rknn 部署包 05 商店与部署 发布 / 复用 / 下发板卡 产出:可复用模型资产
Fig 02平台把模型生产拆成五个可验证的步骤,每步都有独立产出物;任一步失败都能单独重试,不影响上下游。
3.1 / Dataset

数据集:把现场素材
变成训练原料

图片上传不是终点。AIMC 在入库时完成 EXIF 纠偏、尺寸标准化与格式压缩,在训练前完成标签校验与数据集划分,让「数据质量」成为系统能力而不是个人经验。

批量上传 YOLO 压缩包导入 EXIF 纠偏 五档尺寸 自动划分 进度门控
  • 三种导入方式:多选图片、Ultralytics YAML 压缩包、扁平 YOLO / 纯图片压缩包,后台异步解析并输出导入报告。
  • 图片标准化:长边 640 / 960 / 1280 / 1920 / 原图五档;透明图保留 PNG,其余统一 JPEG q85,兼顾存储与训练质量。
  • 标签体系:类别色块、训练序号与标注框联动;删除类别时级联清理相关标注,二次确认防误操作。
  • 数据集划分:8:2、7:2:1、7:3 一键方案,也支持自定义 train / val / test 比例,三者之和强制 100%。
  • 进度门控:未完成标注的数据集无法进入划分与训练,避免「带病训练」。
vision-hub.local/datasets/12 — □ ×
铝合金表面缺陷 · 数据集 #120
数据集 / 详情 · 400 张图片 · 4 个类别 · 已按 8:2 划分
导入 YOLO 上传图片
图片总数400
已标注400 100%
已确认400 100%
训练 / 验证 / 测试320 / 80 / 0
图片列表全部 400
已勾选 0 项 · 支持批量删除与批量确认 · 点击进入标注工作台
标签类别4 类
针孔0
擦伤1
脏污2
折皱3
标注进度已完成
已确认 400 / 400 · 训练 320 / 验证 80
重新划分 开始训练
页面 01数据集详情:数据来自平台数据集 #120「铝合金表面缺陷」(400 张 / 4 类 / 已确认 320:80 划分),标签、进度与入口收敛在一屏。
3.2 / Annotation

智能标注:AI 先画,人只做判断题

标注是 AI 训练里最费时的环节。AIMC 用 VLM / ODE 预标注给出候选框,人工只处理「确认、微调、删除」三类动作,把画框时间压缩到原来的十分之一。

vision-hub.local/annotate?dataset=120&image=2446 — □ ×
铝合金表面缺陷 · 标注工作台 第 120 / 400 张 · images/120.jpg
ODE 预标注(本图) 整集预标注 确认并下一张
铝合金表面缺陷真实标注画面(数据集 #120)
A / D 切换 W / S 换类 Delete 删除
已确认 4 · 3 类
针孔
擦伤
脏污
擦伤
类别 · 4
针孔1
擦伤2
脏污1
折皱0
本图状态
来源人工标注
状态已确认
划分train
快捷键A / D
平台真实标注
页面 02平台真实标注数据:数据集 #120 · images/120.jpg(640×480)。四个框由平台标注坐标(像素)直接换算为百分比,未做人工摆位;类别与颜色取自平台标签体系。

单图 / 整集预标注

单图即时调用,整集创建后台批量任务并跳过已确认图片;顶部实时显示「预标注中 5/20」,可随时暂停、继续或清除。

三档确认范围

单图确认、从当前图起批量确认、全部确认,适配「边标边查」与「先跑完整集再统一复核」两种习惯。

Canvas 精细操作

八向手柄缩放、拖动重绘、Delete 级联删除;A/D 切图、W/S 换类、1–9 直选类别,熟练后双手不离键盘。

效率逻辑 AI 负责「找得到」,人负责「判得准」。预标注框默认标记为 prelabeled,只有人工确认后才进入训练集;低置信度框优先呈现,避免错误标注污染模型。
3.3 / Training

训练:节点化调度,
按需扩容

训练服务采用「调度中心 + GPU 节点 Agent」架构。新 GPU 机器只需安装 Docker、启动 Agent、填入注册 Token,约 10 秒即出现在节点列表;平台侧零改动。

  • 基线齐全:YOLOv8 / YOLO11 / YOLO26,n / s / m / l / x 全尺寸,也可选用商店中的 pt 权重做迁移训练。
  • 参数克制:轮数、输入尺寸、批大小三项核心参数,其余给出推荐默认值,避免「参数迷宫」。
  • 过程透明:运行中任务每 5 秒刷新指标,mAP50、Loss、学习率与进度条实时可见。
  • 安全取消:取消请求在当前 epoch 结束时生效,不破坏已保存的权重。
vision-hub.local/train/task/208 — □ ×
任务 #208 · 铝合金表面缺陷检测
已完成 · epoch 100/100
精度曲线每 5s 刷新
mAP50mAP50-95
验证集 mAP50
0.9902
训练轮数
100
输入尺寸
640
节点与产物
GPU-01 · 空闲
GPU-02 · 空闲
基线YOLO11n
类别4
训练 / 验证320 / 80
产物best.pt
状态已完成
任务队列2 个任务
#208 铝合金表面缺陷检测 · 100%已完成
#207 无人机目标检测 · 68%训练中
#206 变压器漏油检测 · 排队排队中
3.4 / Export

部署导出:一次点击,完成芯片适配

PT → ONNX → RKNN 的版本配方被封装在独立转换容器里。用户只选源模型、目标芯片与量化方式,剩下的依赖、算子与校准由平台处理。

转换链路与量化分支 平台内置 rknn-toolkit2 版本配方,用户不接触依赖与算子细节 best.pt 训练产物 · 业务权重 含类别与输入尺寸 ONNX opset 12 · 兼容导出器 固定输入输出节点 rknn-toolkit2 独立 Docker 转换容器 算子映射 · 图优化 · 内存规划 fp16 推荐 int8 实验 fp16 模型 板卡实测推荐 int8 模型 校准集 ≤ 12 张 .rknn 7 款芯片可选 帧率预估随包返回 deploy_package.zip 板卡只接受平台导出的标准包,不接受裸 .rknn 单文件 model.rknn 量化后的 NPU 模型 meta.json 输入尺寸 / 量化 / 芯片 / 版本 classes.txt 类别顺序与显示名
Fig 03转换链路:训练产物先转 ONNX,再由独立容器生成目标芯片的 RKNN;fp16 为板卡实测推荐,int8 自动抽样校准。最终封装为标准部署包。

7 款芯片,一次选择

RK3588 / RK3576 / RK3568 / RK3566 / RK3562 / RV1106 / RV1103,目标芯片以中文释义标注,非硬件工程师也能选对。

帧率预估,来源透明

「实测」来自板端回传的帧率基准库;「估算」按芯片算力基线推算。两条来源明确标注,不把估算当实测。

版本配方封装

ONNX opset、RKNN Toolkit 版本、量化参数都被固定在镜像里,换机器、换节点也不会出现「环境漂移」。

3.5 / Model Store

模型商店:
让模型成为可复用资产

训练成果不该止步于一次交付。模型商店把开源模型、社区成果与团队资产放在同一个目录里,支持检索、评估、迁移训练与一键发布,形成知识沉淀的循环。

  • 开源模型索引:粘贴 HuggingFace / GitHub 地址,AI 自动抽取架构、任务类型、输入分辨率、类别与领域标签。
  • 上架自检:后台异步下载权重、发起 RK3588/fp16 转换,并在模拟器中完成加载与推理自检。
  • 四步发布向导:选产物、填信息、传图片、确认发布;训练结果图自动抓取,无需手工整理。
  • 一键迁移训练:选中商店模型即可预填训练任务,Agent 自动拉取 pt 权重作为初始权重。
vision-hub.local/store — □ ×
全部 开源 社区 工业质检 安防 搜索模型…
官方已发布
铝合金表面缺陷检测模型v1.0.0 · YOLO11n · 4 类 · mAP50 0.9902
工业质检Apache-2.0
官方已发布
无人机目标检测v1.0.0 · VisDrone · 11 类
智慧安防Apache-2.0
官方已发布
变压器漏油检测模型v1.0.0 · 1 类
工业质检Apache-2.0
来源筛选 · 领域标签 · 关键词搜索;卡片显示协议、底座、版本与发布状态。点击进入详情可迁移训练或直接导出 RKNN。
模型资产的复用闭环 开源索引与社区发布共享同一套转换与部署链路 开源 / 社区模型 pt 权重 · 架构 · 类别快照 平台镜像或外链直达 迁移训练 选择目标数据集与基线 pt 权重自动作为初始权重 训练与评估 GPU 节点产出 best.pt mAP / 曲线 / 结果图 发布到商店 四步向导 · 协议与介绍 自动附带 RKNN 产物 复用 · 再训练 · 再发布
Fig 04商店不是下载站,而是模型资产的循环:开源或社区模型进入迁移训练,训练成果再次发布,团队能力持续沉淀。
3.6 / Operations

设备运营:授权、OTA、插件,一个后台管到底

模型交付只是开始。平台把板卡的授权、升级、固件构建与插件分发收敛到同一处,售后与批量运维不再依赖远程桌面。

板卡授权

硬件指纹绑定,支持体验 / 常规 / 永久授权与宽限期;签发、续期、吊销、审计全流程留痕。

OTA 升级

升级包签名验签、灰度通道、失败自动回滚;与账号解耦,仅校验设备指纹与授权凭证。

固件构建

版本配方化构建离线安装包,内置低写入策略与 systemd 服务,现场一条命令完成安装或回滚。

插件市场

四域插件统一签名校验与分发,按设备下发安装任务;校验失败的插件自动进入隔离区并给出中文原因。

运维原则 升级不碰数据,回滚不丢配置。板端升级只覆盖程序文件,模型、录像、事件库与三份 JSON 配置全部保留;回滚同样只恢复程序与 unit,现场无需重新调试。
04 / Edge · AIMC Hub

边缘推理中枢:
把模型变成产线上的动作

板卡不是「跑模型的盒子」,而是一台完整的视觉工作站:接入相机、增强画质、推理检测、跟踪计数、联动 PLC、留存证据,全部在一台设备内闭环。

一台设备,替代
工控机 + 采集卡 + 软件狗

工业铝壳、DIN 导轨安装,双千兆网口与 USB 3.0 直连工业相机,RS485 / 串口对接现场总线。浏览器输入板卡 IP 即可管理,无需安装任何 PC 软件。

  • Web 管理终端:前端内嵌固件,离线完整可用,手机与平板同样可访问。
  • 多源并发:最多 3 路视频同时运行,每路独占一个 NPU 核,互不抢占。
  • 接口齐全:双网口、USB 3.0、HDMI、RS485 / 串口、DC 12V,覆盖多数工业现场。
  • 工业防护:无风扇铝壳散热、看门狗、断电恢复后自动拉起服务。
RK3588 / RK3576 3 路并发 30–60 FPS 离线可用 OTA 验签
AIMC 板卡在工业控制柜中的安装示意 示意渲染 · 实际接口与外观以出货配置为准
3 路 视频并发 · 每路独占 NPU 核
推理时延恒定
图像拷贝0 次
运行期分配0 次
板卡接口细节渲染双网口 · USB3 · RS485 · 天线
板卡正面渲染铝壳散热 · DIN 导轨
4.1 / Data Flow

一条数据流,四个环节,全部可配

板卡的所有功能都围绕数据流组织:视频源进入后,依次经过预处理、检测、后处理与输出。每条流独立保存配置,互不干扰。

数据流 · 四个环节 检测结果在环节间单向流动;预处理、规则链、输出通道均按数据流独立保存 视频源 最多 3 路 USB 摄像头 V4L2 自动枚举 MIPI 摄像头 RKISP 主路径直连 RTSP 网络流 VPU 硬解 · 自动解析 虚拟视频源 拼接 / 触发 / 画布 1 预处理 pixel 域 · 按流启用 去雾 暗通道 / AOD-Net 降噪 TV 变分 / 轻量模型 超分 Real-ESRGAN-nano 顺序可调 拖拽调整执行顺序 直通开关 关闭后原始画面直通 看门狗降级 异常自动禁用并告警 2 检测 analysis 域 · 检出引擎 AI 模型检测 YOLO · NPU 零拷贝 传统视觉 计数 / 测量 / 二维码 AI + 插件并行 结果合并,互相补位 检测规则链 置信度 / 面积 / 长宽比 类别过滤 白名单 / 黑名单 免模型路径 固定场景更省资源 3 后处理 B / E 域 · 目标语义 目标跟踪 IoU / 存活 / 命中 越线 / 区域 进入 / 离开 / 驻留 计数统计 当前 / 进入 / 离开 尺寸测量 标定后输出实际尺寸 属性增强 二维码内容回填 规则按流保存 修改后立即生效 4 输出 C 域 · 结果去向 本地存储 录像 / 快照 / 事件库 串口开关量 直连 PLC / 分选机 MQTT / TCP / UDP JSON 上报 MES 输出模板 占位符自定义格式 积木编程 Lua 脚本 · 事件联动 多通道并存 独立启用 / 独立模板 现场设备 PLC / 分选机 串口开关量 · RS485 IO MES / 上位机 MQTT / TCP / UDP 存储池 录像 / 事件 / 快照 积木脚本 告警 / IO / 自定义联动 同一模型可服务多路视频,不同视频也可使用不同模型;每条流独立保存预处理、检测规则、输出通道与存储去向。 FLOW × N
Fig 05数据流四环节:预处理提升画质,检测产出目标,后处理赋予语义,输出把结果送到现场。每一步都可在 Web 界面按流调整。

预处理

去雾、降噪、超分插件按需启用;参数按流保存,顺序可拖拽,关闭即直通。

检测

AI 模型、传统视觉、AI + 插件并行三种引擎;固定场景可完全跳过 NPU。

后处理

跟踪、越线 / 区域 / 驻留、计数、尺寸测量与属性回填,结果带业务语义。

输出

存储、串口、MQTT、TCP、UDP 与 Lua 积木可同时启用,各自独立模板。

4.2 / Pipeline

实时推理:
零拷贝,才有稳定帧率

图像从相机到 NPU 全程不经过 CPU memcpy:采集缓冲直接映射为 DRM/GBM buffer,经 RGA 硬件完成缩放与色彩转换,再通过 rknn_set_io_mem 交给 NPU。

  • 三级异步流水线:采集、预处理、推理各占一线程,帧间重叠执行。
  • always-latest 背压:下游只取最新帧,旧帧自动丢弃,延迟恒定不堆积。
  • 运行期零 malloc:内存池预分配(采集 8 / 预处理 2 / 推理 2),避免碎片。
  • NPU 多核分域:多路视频各占一核,检测与增强并行不互抢。
  • RGA 2D 硬件优先:缩放、裁剪、格式转换交给硬件,CPU 专注调度。
三级流水线时序 同一时刻三线程并行处理不同帧 采集 预处理 推理 输出 F1 F2 F3 F4 F5 RGA RGA RGA RGA NPU NPU NPU NPU OUT OUT OUT OUT DRM/GBM 零拷贝 always-latest 背压 内存池 · 零 malloc
Fig 06三级流水线时序:采集、预处理、推理在时间上重叠,单帧延迟恒定;下游永远取最新帧,不会因排队导致画面延迟越来越大。
4.3 / Dashboard

设备总览:
一屏掌握整机状态

默认首页每 2 秒轮询后端,推理状态、当前模型、视频源、实时帧率、耗时分解与存储池健康全部收敛在一屏。现场运维不需要理解底层,只需要看颜色。

  • 多画面预览:单路 / 全部画面切换,检测框实时叠加。
  • 推理节拍:帧率上限、隔帧推理、变化触发三种策略,改动立即生效。
  • 耗时分解:预处理、插件链、NPU、后处理分段计时,瓶颈一眼可见。
  • 存储告警:存储池失联或写满时,顶部横幅提示并自动暂停录制。
192.168.3.96:8080/#/dashboard — □ ×
设备总览
RK3588 · 主机名 AIMC-RK3588-0A3F · 已运行 6 天 4 小时
系统时间 14:32:08 三步部署向导
推理状态运行中
当前模型铝合金表面缺陷 v1.0.0
视频源USB Camera0
实时帧率24.8 FPS
实时预览MJPEG · 检测框叠加
板卡实时预览画面(铝合金表面缺陷) USB Camera0 · 640×480 LIVE
针孔
擦伤
脏污
单画面 全部画面 开启声音告警
推理节拍变化触发
帧率上限 隔帧推理 变化触发
灵敏度:中 30‰ · 画面静止时暂停推理,节省算力
耗时分解ms
预处理1.7
插件链0.0
NPU 推理52.7
后处理1.3
总时延55.7
运行中的数据流2 路
产线-铝板表面检测 · USB · 铝合金 v1.0.0运行中 · 24.8 FPS
东门-车辆检测 · RTSP · YOLO11n运行中 · 18.2 FPS
仓库-人员计数 · RTSP · 传统视觉已停止
页面 03设备总览:推理状态、模型、视频源、帧率、实时预览、耗时分解与存储告警同屏呈现,2 秒轮询刷新。
4.4 / Flow Workspace

数据流详情:
四环节工作台

点开任意数据流,四个环节以步骤条呈现:预处理插件、检测引擎与规则、后处理跟踪、输出通道与存储。每个区块都能就地展开参数,保存后下一帧生效。

  • 检测引擎可切换:AI 模型、传统视觉替代、AI + 插件并行,无需重建数据流。
  • 规则链可视化:置信度、面积占比、长宽比、类别白/黑名单按顺序过滤。
  • 输出按流绑定:同一块板卡的不同数据流可分别接 PLC、MES 与本地存储。
  • 修改只影响本流:换模型、换插件参数只重建当前流的引擎,其他流不中断。
192.168.3.96:8080/#/flows/3 — □ ×
产线-铝板表面检测 运行中
数据流 #3 · USB Camera0 · 24.0 FPS · 累计推理 183,204 帧
停止 编辑 保存配置
01预处理3 个像素插件已启用
02检测YOLO11n · NPU24 FPS
03后处理跟踪开 · 面积规则 2 条运行中
04输出MQTT + 串口 + 存储3 去向
实时预览 · 主源USB · 640×480
数据流实时预览(铝合金表面缺陷) USB Camera0 · 铝合金表面
针孔
擦伤
脏污
检测模型 YOLO11n 量化 fp16 4 类 推理节拍 变化触发
检测规则链3 节点
置信度下限≥ 0.45
面积占比≤ 85%
类别过滤针孔 / 擦伤 / 脏污
OK / NG1,842 / 136
结果去向3 个
MQTT · aimc/detections已启用
串口 · /dev/ttyS3 @115200已启用
本地存储 · 录像 + 快照已启用
页面 04数据流详情:四环节步骤条 + 实时预览 + 规则链 + 结果去向,按流独立配置,修改即时生效。
4.5 / Storage

数据存储:录像与证据,留在本地

检测录像、事件快照与事件记录全部保存在板卡本地。存储池优先使用 NVMe / SATA / USB / TF 扩展介质,系统盘只做应急备份,并设置明确容量上限。

192.168.3.96:8080/#/storage — □ ×
数据存储
存储池优先 · 事件库自动迁移 · 保留策略自动清理
存储池健康 保存策略
磁盘空间512 GB 64% 已用
检测录像186 GB 428 段
事件快照12.4 GB 3,682 张
事件记录28,416 条
存储池NVMe
/mnt/aimc · 512 GB
64%已用 312 / 512 GB
事件库位于存储池 · 失联自动切系统盘应急
保留策略自动覆盖
检测录像保留14 天
录像容量上限80 GB
事件记录保留30 天
系统盘应急上限256 MB
快照最小间隔2,000 ms
检测录像428 段
日期文件大小时长
11-2120261121_1412.mp4428 MB30 min
11-2120261121_1342.mp4436 MB30 min
11-2120261121_1312.mp4421 MB30 min
删除选中(3) 按日期清理… 清空全部录像
页面 05数据存储:存储池以水位视觉呈现占用率;保留策略、批量删除、按日期清理与一键清空集中管理,避免存储无限增长。

存储池优先

扩展介质(NVMe / SATA / USB / TF)设为存储池后,录像、快照与事件库优先写入;系统盘仅在池失联时应急,并受容量上限保护。

批量管理

录像按日期分页、可多选批量删除;事件记录支持按日期、类型清理;「清空全部」二次确认,释放空间一步到位。

证据完整

通道每次发送时可将检测结果 JSON 入库,并按最小间隔保存带检测框的 JPEG 快照,形成可回放、可追溯的现场证据链。

4.6 / Capabilities

板卡能力矩阵

从视频接入到现场联动,一块板卡覆盖工业视觉现场的主要能力面。

能力域覆盖内容现场价值
视频源USB(V4L2)、MIPI(RKISP)、RTSP(VPU 硬解)、虚拟源(拼接 / 触发 / 画布);最多 3 路并发兼容既有工业相机与监控资产,无需更换采集卡
检测引擎AI 模型检测、传统视觉分析、AI + 插件并行;检测规则链(置信度 / 面积 / 长宽比 / 类别)固定场景免训练,复杂场景用模型,两者可互补
后处理目标跟踪、越线 / 区域 / 驻留规则、进入离开计数、尺寸测量、二维码属性回填直接产出业务语义,不必在上位机二次开发
输出通道串口开关量、RS485 IO、MQTT、TCP、UDP、Lua 积木脚本、本地存储;多通道并存直连 PLC、分选机、MES 与安防平台
插件体系pixel(预处理)、analysis(检出)、target(目标增强)、channel(输出)四域;签名校验、隔离区、看门狗算法独立升级,异常不拖垮主服务
数据存储存储池、录像分段、事件快照、事件库、保留策略、批量管理与一键清空证据本地留存,存储可控、可追溯
安全与运维硬件指纹授权、OTA 签名验签与回滚、系统更新、授权信息、中英双语防盗版、可远程升级、现场零学习成本
4.7 / Plugins

四域插件:算法像积木一样装卸

每个插件自带 manifest 与参数 schema,前端自动渲染表单;上传即校验签名与角色导出,失败自动进入隔离区并给出中文原因。

pixel · 预处理去雾 / 降噪 / 超分
analysis · 检出计数 / 测量 / 二维码
target · 目标增强属性回填 / 二次判定
channel · 输出OSS 上传 / 自定义协议

插件可独立启停、独立调参;pixel 域按数据流单独配置,异常时 watchdog 自动禁用并降级直通,不影响其他流。

4.8 / Blockly

积木编程:把检测结果变成动作

不会写代码,也能做联动。拖拽「检测 → 判定 → 入库 → 联动」积木即可生成 Lua 脚本,支持内置样例数据试跑,保存后可被多个输出通道引用。

当检测到 「车辆」
且 置信度 ≥ 0.8
计数 + 1 (事件库累计)
写入事件记录 「东门-车辆」
触发 IO 报警灯 2 秒

积木改动自动覆盖右侧 Lua 代码;脚本库统一管理,按数据流绑定,测试数据可直接使用内置样例。

05 / Hardware

七款芯片,一条代码路径

同一套板端软件覆盖从 IPC 小芯片到旗舰 RK3588 的完整 RK NPU 家族。模型、插件、工作流与 Web 界面不随芯片变化,选型只影响算力与帧率。

按场景选算力,
不为冗余买单

旗舰芯片面向多路高清并发与复杂模型;主流工控芯片覆盖单路 1080P 检测;IPC 小芯片则以低功耗、小分辨率场景为主。平台导出时直接选择目标芯片,板卡侧无需改动。

RK3588 · 6 TOPS RK3576 · 6 TOPS RK3568 · 1 TOPS RV1106 · 0.5 TOPS
数据说明 下表帧率为 YOLO11n INT8 在实验室环境的参考区间(RV1106 / RV1103 为 320 输入,其余为 640)。实际帧率受模型结构、输入分辨率、预处理插件与并发路数影响,以现场实测为准。
Fig 07芯片参考帧率区间(YOLO11n INT8)
芯片型号NPU 算力(INT8)参考帧率产品定位推荐场景
RK35886 TOPS(3 核)30–60 FPS @640高性能旗舰多路高清并发、复杂模型、边缘服务器
RK35766 TOPS30–60 FPS @640高性能次旗舰高性价比多路检测、安防 NVR 形态
RK35681 TOPS8–12 FPS @640主流工控单路产线质检、设备内嵌
RK35661 TOPS8–12 FPS @640低成本工控零售、门禁、成本敏感型项目
RK35621 TOPS6–10 FPS @640入门级低速检测、单目标识别
RV11060.5 TOPS15–25 FPS @320IPC 小芯片网络摄像机内嵌、低功耗长期值守
RV11030.5 TOPS15–25 FPS @320IPC 小芯片小型 IPC、电池/太阳能供电场景

旗舰多路

RK3588 / RK3576:3 路并发、每路独占 NPU 核,适合园区与多工位产线。

主流工控

RK3568 / RK3566:单路 1080P 检测的甜点区,成本与性能平衡。

低成本入门

RK3562:面向低速、单目标的轻量检测,快速验证场景可行性。

IPC 内嵌

RV1106 / RV1103:小分辨率、低功耗,把检测直接做进摄像机。

06 / Scenarios

从铝板到农田,同一套方法

场景在变,链路不变:采集现场图片、定义缺陷类别、训练模型、部署到板卡、把结果接到现场设备。差异只在相机、算力与输出协议。

电子制造产线机器视觉检测场景
Field Proven Pattern

一条产线的经验,
可以复制到另一条产线

行业模板预先给出输出格式、预处理推荐与阈值起点;模型商店让同类场景的权重可复用。新项目不必从零开始,只需补上自己的数据。

行业模板库 迁移训练 输出预设

工业质检

场景:装配线外观检测(划痕、裂纹、缺件、错位、焊点不良)。

方案:平台上传产线图片 → 训练模型 → 板卡接工业相机 → 检出即串口触发剔除。

特色:硬实时 + 零拷贝,毫秒级响应直连 PLC。

智慧安防

场景:园区周界入侵、离岗检测、危险区域闯入、人员计数。

方案:标注人员 / 车辆 / 行为 → 板卡接 RTSP 监控流 → MQTT 推送告警。

特色:多路 RTSP 并发,越线与区域规则开箱即用。

交通监控

场景:非机动车道检测、违停抓拍、车流量统计、人流统计。

方案:公开数据集预训练 + 现场微调 → 导出 int8 / fp16 → 低功耗部署。

特色:24 小时无人值守,录像与事件本地留存。

智慧农业

场景:作物病虫害识别、水果成熟度分级、杂草定位。

方案:上传田间影像 → 多类别检测模型 → 板卡安装于农机或大棚。

特色:去雾 + 超分插件链,改善低光与远距离小目标。

零售智能

场景:货架商品检测、缺货预警、顾客行为分析。

方案:快速微调商品类别 → USB 摄像头接入 → 变化触发节省算力。

特色:RK3566 低成本方案,单店可批量部署。

仓储物流

场景:拆垛计数、包裹识别、库位占用检测、异常滞留。

方案:固定机位 + 传统视觉计数 / 模型检测 → TCP 上报 WMS。

特色:虚拟视频源可拼接多相机画面,一屏覆盖多个库位。

07 / Get Started

从第一张图,到第一条产线

平台侧五步完成模型生产,板卡侧三步完成现场部署。全程有向导、有默认值、有状态反馈,不需要算法团队常驻现场。

Platform

平台侧 · 5 步模型生产

创建数据集,上传现场图片支持多选上传或直接导入 YOLO 压缩包;系统自动纠偏、重编码并统计导入结果。
进入标注工作台单图或整集预标注,人工确认、补画、删除;完成后一键批量确认。
划分数据集,提交训练选择划分比例、YOLO 基线与输入尺寸;训练任务进入 GPU 节点队列。
查看指标,确认达标mAP50、Loss、PR 曲线与混淆矩阵;不达标可调整数据或基线后重训。
导出 RKNN,下载部署包选择目标芯片与量化方式,转换完成后下载 deploy_package.zip。
Edge

板卡侧 · 3 步现场部署

导入模型包网页上传、U 盘扫描或登录平台在线同步;自动校验 rknn / meta.json / classes.txt 完整性。
打开三步部署向导选模型 → 选视频源 → 选输出模板(串口开关量 / MQTT JSON),每步自动预填推荐值。
预览联调,长期运行实时预览确认检测框与触发逻辑;设置存储策略与授权后,设备可断网独立运行。
# 离线安装(可选) tar -xzf aimc-board-*.tar.gz && sudo ./install.sh install # 升级:失败自动回滚,数据与配置保留 sudo ./install.sh upgrade
网页上传 U 盘导入 在线同步 热切换 一键回滚
交付形态 平台提供 Docker 化部署包与私有化安装手册,板卡提供 离线安装包(含主程序、Web 前端、插件、systemd 服务与升级公钥)。没有外网的环境,也能完成从安装到模型下发的全流程。
08 / Specifications

技术规格与交付清单

平台与板卡均为可独立交付的标准件,接口清晰、依赖明确,便于集成商与终端用户分别部署。

模块技术选型说明
平台后端Python FastAPI · PostgreSQL · Redis · MinIO · Celery任务队列、对象存储与关系数据分离,支持横向扩展
平台前端Vue 3 · Vite · TypeScript · Pinia · Element Plus · UnoCSS浏览器即工作台,多用户数据隔离
训练引擎Ultralytics YOLO(v8 / 11 / 26)n / s / m / l / x 全尺寸,支持迁移训练
模型转换ONNX opset 12 · rknn-toolkit2独立 Docker 容器,固定版本配方
板卡系统aarch64 Linux(Ubuntu / Debian 系)RK3588 / RK3576 / RK3568 / RV1106 等
板卡运行时C++17 · RKNN Runtime · RGA 2D · DRM/GBM零拷贝、三级流水线、内存池预分配
视频接入V4L2 · RKISP · FFmpeg(VPU 硬解)USB / MIPI / RTSP / 虚拟源
输出协议串口 · RS485 · MQTT · TCP · UDP · Lua多通道并存,模板引擎占位符
板卡前端cpp-httplib · Vue 3 · Element Plus前端内嵌固件,离线完整可用
数据与更新SQLite · 存储池 · 签名 OTA录像 / 事件 / 快照本地留存,失败自动回滚

平台部署包

Docker Compose 编排、初始化脚本、对象存储与数据库配置模板。

板端离线包

主程序、Web 前端、插件、systemd 服务、授权与升级公钥。

文档与手册

平台部署、板端部署、OTA 运维、插件开发与接口说明。

插件 SDK

manifest 规范、参数 schema、角色导出与本地调试样例。

免责声明 本文档用于产品功能介绍与选型参考。文中帧率、耗时与容量示例来自实验室环境或按算力基线估算,实际表现受模型、输入分辨率、并发路数与现场环境影响;设备外观与接口以最终出货配置为准。