澎湃算力 玩转AI 华为昇腾AI开发板——香橙派OriengePi AiPro边缘计算案例评测

澎湃算力 玩转AI 华为昇腾AI开发板 香橙派OriengePi AiPro 边缘计算案例评测

人工智能（AI）技术正以前所未有的速度改变着我们的生活、工作乃至整个社会的面貌。作为推动这一变革的关键力量，边缘计算与AI技术的深度融合正成为行业发展的新趋势。正是基于这样的背景，香橙派与华为昇腾携手合作，共同推出了OrangePi AIpro一款专为边缘计算设计的AI开发板，它不仅承载着双方对技术创新的不懈追求，更预示着AI技术普及与应用的新篇章。

OrangePi AIpro的诞生，是香橙派在智能硬件领域深耕细作与华为昇腾在AI技术方面深厚积累的完美结合。香橙派，作为开源硬件领域的佼佼者，一直致力于为开发者提供高性能、易上手的硬件平台；而华为昇腾，作为华为在AI领域的核心品牌，其先进的AI处理器和解决方案在全球范围内享有盛誉。两者的合作，无疑为AI开发者们带来了一款集高性能、灵活性、易用性于一身的优质产品。

本次开箱测评，我有幸成为体验者之一，将探索OrangePi AIpro的每一个细节，从外观设计到内部构造，从硬件配置到软件生态，全方位、多角度地展现这款产品的魅力所在。我相信，通过我的测评，广大读者将能够更加直观地了解OrangePi AIpro的优势与特点，为他们的AI项目选择最合适的硬件平台提供有力参考。
在这里插入图片描述
在这里插入图片描述

OrangePi AIpro 开发板官方网站

http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/details/Orange-Pi-AIpro.html

在这里插入图片描述

华为昇腾 AI 技术

华为昇腾 AI 技术路线以CANN作为核心架构基础，CANN（Compute Architecture for Neural Networks）是华为针对AI场景推出的异构计算架构，对上支持多种AI框架，对下服务AI处理器与编程，发挥承上启下的关键作用，是提升昇腾AI处理器计算效率的关键平台。支持的AI框架包括华为全场景AI框架昇思MindSpore,也包括常见的AI开发框架(PyTorch,TensorFlow,Paddlepaddle)等。
官方网址 https://www.hiascend.com/#/
开发文档 https://www.hiascend.com/zh/document
在这里插入图片描述
在这里插入图片描述

1.OriengePi AiPro 开发板开箱

  1. 硬件资源
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    CPU4核64位处理器+ AI处理器（昇腾310B4）
    GPU集成图形处理器
    AI算力8-12TOPS算力
    内存LPDDR4X：8GB/16GB（可选），速率：3200Mbps
    存储• SPI FLASH：32MB • SATA/NVME SSD（M.2接口2280） • eMMC插槽：32GB/64GB/128GB/256GB（可选），eMMC5.1 HS400 • TF插槽
    WIFI+蓝牙Wi-Fi 5双频2.4G和5G BT4.2/BLE
    以太网收发器10/100/1000Mbps以太网
    显示• 2xHDMI2.0 Type-A TX 4K@60FPS • 1x2 lane MIPI DSI via FPC connector
    摄像头2x2-lane MIPI CSI camera interface，兼容树莓派摄像头
    USB• USB 3.0 HOST x2 • USB Type-C 3.0 HOST x1 • Micro USB x1 串口打印功能
    音频3.5mm耳机孔音频输入/输出
    按键1x关机键、1xRESET键、2x启动方式拨动键、1x烧录按键
    40PIN40PIN 功能扩展接口，支持以下接口类型： GPIO、UART、I2C、SPI、 I2S、PWM
    风扇风扇接口x1
    预留接口2PIN电池接口
    电源Type-C PD 20V IN ，标准65W
    支持的操作系统Ubuntu、openEuler
    产品尺寸107*68mm
    重量82g

  2. 软件资源
    OrangePi官方提供大量的开发板的资料，主要包括官方工具，用户使用手册，以及官方镜像文件。官方提供的用户使用手册记录比较丰富，从软件安装，环境搭建，到AI案例应用测试。
    在这里插入图片描述
    在这里插入图片描述 同时在昇腾论坛上有大量的教程,例如香橙派AIpro学习资源一站式导航香橙派AIpro学习资源可以去参考学习。 在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在操作系统方面，Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。Ubuntu、openEuler操作系统镜像下载地址如下：
    Openeuler镜像
    Ubuntu镜像

在这里插入图片描述

  1. 开发板实物效果展示
    从申请到拿到开发板很快啊，我已经迫不及待的想玩了。打开包装后，首先映入眼帘的是精心排列的配件。除了OrangePi AIpro开发板本体之外，还配备了电源适配器和数据线、一张预装了操作系统的SD卡。这些配件的配备充分考虑了用户在实际使用中的需求，为用户提供了极大的便利。拿到的开发板实物默认跑Openeuler系统的，我立马接上HDMI,电源线,USB线，开玩。
    在这里插入图片描述
    在这里插入图片描述

2.OriengePi AiPro 开发板环境搭建

以Ubuntu 版本镜像进行烧录，以完成下面的评测。(主要是熟悉在Ubuntu系统进行开发，Openeuler版本不怎么熟悉，但是有时间也去体验Openeuler版本的系统进行测试学习）。开发环境搭建主要会使用到下面的东西，基本上都在官方提供的网盘里面，自行下载即可。

  1. 下载官方镜像文件
    在这里插入图片描述
    在这里插入图片描述
    其中ubuntu22.04_minimal是纯命令行的版本，ubuntu22.04_deskto是带桌面的版本。（为了方便使用，下载的是带桌面的版本，从百度网盘里面下载之后，需要解压，系统镜像较大，需要一段时间)。

  2. SD卡烧录镜像
    在烧录SD卡镜像之前，需要将镜像文件下载到SD中，因此需要下载的官方工具中的 BalenaEtcher进行处理。（这里我下载的balenaEtcher-Portable-1.18.4版本，不需要安装，点击打开就可以直接使用）
    在这里插入图片描述在这里插入图片描述
    但是在使用BalenaEtcher烧录镜像过程中，虽然能够烧录完成，但是会出现验证失败，导致烧录镜像，出现问题。可能的原因包括读卡器有问题，或者SD卡有问题，因此我换了卡和读卡器，打算重新下载。当然在搜索解决问题的方法过程中，有人指出BalenaEtcher软件需要以管理员身份运行，但是按照管理员身份运行还是下载失败。经过群友的指点，使用了昇腾开发者套件一键制卡工具，完成了系统镜像烧录。
    在这里插入图片描述

  3. 启动开发板
    开发板支持从 TF 卡、eMMC 和 SSD（支持 NVMe SSD 和 SATA SSD）启动。具体从哪个设备启动是由开发板背面的两个拨码（BOOT1 和 BOOT2）开关来控制的BOOT1 和 BOOT2 两个拨码开关都支持左右两种设置状态，所以总共有 4 种设置状态，开发板目前只使用了其中的三种。开发板BOOT1 和 BOOT2 两个拨码默认都是右边状态，不需要改动。镜像烧录完成后，我们将TF卡重新插回到香橙派AIpro开发板中，开机，启动，然后就是输入密码，默认密码为：Mind@123，进入系统。
    在这里插入图片描述

    在这里插入图片描述

  4. 查看开发板信息
    打开香橙派 AIpro终端，输入以下代码：npu-smi info；

  5. 连接网络
    在这里插入图片描述在这里插入图片描述

  6. 连接串口线，登录开发板

使用串口登陆开发板，一切正常。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  1. SSH远程登录
    SSH远程远程登陆需要配置一下网络。先扫描无线热点：使用命令扫描 nmcli dev wifi ,这样就可以看到我的无线热点了。
    连接无线热点：使用以下命令连接指定的热点，注意【ap-name】【ap-passwprd】要替换成你自己的无线热点名称和对应的密码。
    sudo nmcli dev wifi connect ap-name password ap-passwprd

在这里插入图片描述
在这里插入图片描述
显示连接无线热点成功后，可以查看OrangePi板子的IP地址。
在这里插入图片描述
使用SSH工具登陆即可。
在这里插入图片描述

  1. 简单使用测试
    简单的Linux测试，Git使用，PDF阅读，播放视频没有任何问题。
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述
    在这里插入图片描述
  2. 简单使用测试总结
    在简单的使用OrangePi AIpro开发板测试之后，其完全可以被视为一个小型电脑。它集成了高性能的处理器、足够的内存和存储空间（通过SD卡或外接硬盘扩展），以及丰富的输入输出接口，这使得它能够处理多种复杂的计算任务和应用场景。

3.OriengePi AiPro 开发板案例测试

  1. 测试部署YOLOv5模型
    YOLOv5 是一个面向实时工业应用而开源的目标检测算法，受到了广泛关注。YOLOv5 的不同变体（如 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 和 YOLOv5n）表示不同大小和复杂性的模型。这些变体在速度和准确度之间提供了不同的权衡，以适应不同的计算能力和实时性需求。下面简要介绍这些变体的区别：
    在这里插入图片描述
    YOLOv5s：这是 YOLOv5 系列中最小的模型。“s” 代表 “small”（小）。该模型在计算资源有限的设备上表现最佳，如移动设备或边缘设备。YOLOv5s 的检测速度最快，但准确度相对较低。
    YOLOv5m：这是 YOLOv5 系列中一个中等大小的模型。“m” 代表 “medium”（中）。YOLOv5m 在速度和准确度之间提供了较好的平衡，适用于具有一定计算能力的设备。
    YOLOv5l：这是 YOLOv5 系列中一个较大的模型。“l” 代表 “large”（大）。YOLOv5l 的准确度相对较高，但检测速度较慢。适用于需要较高准确度，且具有较强计算能力的设备。
    YOLOv5x：这是 YOLOv5 系列中最大的模型。“x” 代表 “extra large”（超大）。YOLOv5x 在准确度方面表现最好，但检测速度最慢。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。
    YOLOv5n：这是 YOLOv5 系列中的一个变体，专为 Nano 设备（如 NVIDIA Jetson Nano）进行优化。YOLOv5n 在保持较快速度的同时，提供适用于边缘设备的准确度。
    在这里插入图片描述
    从Yolov5 的网络结构图，可以看出，还是分为Input、Backbone、Neck、Prediction四个部分。
    （1）Input：Mosaic数据增强、自适应锚框计算、自适应图片缩放
    （2）Backbone：Focus结构，CSP结构
    （3）Neck：FPN+PAN结构
    （4）Prediction：GIOU_Loss
    Python是运行YOLOv5的基础条件，开发板的环境中，已经默认安装了Python 3.9，因此无需安装。
    从GitHub克隆YOLOv5的官方仓库：
    git clone https://github.com/ultralytics/yolov5.git  
cd yolov5
    安装YOLOv5依赖：
    在YOLOv5仓库的根目录下，使用pip安装requirements.txt中列出的依赖.(第一次按照速度可能比较慢，因此需要等待)
    pip install -r requirements.txt
    当然如果上面无法git clone 下来可以直接下载压缩包即可。
    在这里插入图片描述
    为了测试YOLOv5模型的效果，我们将使用预训练模型识别一些图片。
    运行以下命令：
	python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpgpython segment/predict.py --weights yolov5m-seg.pt --data data/images/by.jpgpython segment/predict.py --weights yolov5m-seg.pt --data data/images/hw.jpg

这个里面的yolov5m-seg.pt如果不存在，会自动到github上去下载，但是速度极慢，建议是下载好，然后指定对应路径的pt文件。测试效果如下：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
使用yolo对视频进行实时监测,则需要添加video文件夹，添加视频文件。

使用yolo对视频进行实时监测,需要修改源码detect.py的361行。
修改代码如下

# parser.add_argument("--source", type=str, default=ROOT / "data/images", 	help="file/dir/URL/glob/screen/0(webcam)")parser.add_argument("--source", type=str, default=ROOT / "data/video", help="file/dir/URL/glob/screen/0(webcam)")

运行代码，测试效果如下：

python segment/predict.py --weights ~/Documents/yolov5m-seg.pt --source ~/Downloads/yolo.mp4
python segment/predict.py --weights ~/Documents/yolov5m-seg.pt --source ~/Downloads/foot.mp4

在这里插入图片描述
在这里插入图片描述

澎湃算力 玩转AI 华为昇腾AI开发板YoloV5测试


2. 测试基于Yolov5的车牌识别系统
此是一个基于深度学习的 车牌号检测和识别系统 ，旨在提供一个高效、准确的解决方案，用于识别 中国车牌号 。该项目利用先进的卷积神经网络 （CNN） 技术，实现了从图像中 自动检测 和 识别车牌号 的功能，是智能交通系统中的重要组成部分。
代码地址 https://github.com/we0091234/Chinese_license_plate_detection_recognition

4.OriengePi AiPro 使用体会

自从我开始使用Orange Pi AIpro这款基于昇腾深度研发的AI开发板以来，它给我留下了深刻而积极的印象。作为一款业界领先的AI开发工具，Orange Pi AIpro不仅在技术规格上令人瞩目，更在实际应用中展现了其强大的实力和广泛的适用性。从下面几个角度进行总结：
丰富的接口与扩展性：Orange Pi AIpro提供了多种接口和扩展选项，包括但不限于USB、HDMI、GPIO等，方便用户连接各种传感器、摄像头、显示屏等外设。这种高度的灵活性和可扩展性使得Orange Pi AIpro能够轻松适应不同的应用场景和需求。
应用领域广泛：Orange Pi AIpro的广泛适用性也是其一大亮点。从AI边缘计算到深度视觉学习，从视频图像分析到自然语言处理，再到智能小车、机械臂、无人机等AI应用场景，Orange Pi AIpro都能发挥其独特优势，为各行各业提供强大的技术支持。这种跨领域的适用性使得Orange Pi AIpro成为了我手中不可或缺的AI开发工具。
性能表现：在性能方面，Orange Pi AIpro展现出了令人满意的实力。其强大的处理能力和高效的运算速度，使得AI算法的原型验证和推理应用开发变得轻松愉快。无论是在深度视觉学习、视频流AI分析还是自然语言处理等领域，Orange Pi AIpro都能游刃有余地完成任务，为我的项目开发节省了大量时间和成本。
易用的开发环境与技术支持：为了降低开发门槛，Orange Pi AIpro提供了友好的开发环境和完善的开发工具链。这包括详细的硬件规格书、软件开发包（SDK）、示例代码、教程以及活跃的开发者社区等。这些资源有助于开发者快速上手并高效地完成项目开发。此外，Orange Pi AIpro的技术服务支持也是我非常满意的一点。官方提供了详尽的技术文档和教程，帮助用户快速上手并解决问题。同时，社区内的活跃氛围也让我感受到了来自同行的支持和帮助。在遇到难题时，我总能从社区中找到答案或得到启发。

总结

总的来说，Orange Pi AIpro是一款性能卓越、易于上手、服务完善的AI开发板。它不仅满足了我对AI算法原型验证和推理应用开发的需求，还为我打开了通往AI世界的大门。Orange Pi AIpro社区有不少的大佬，都有GPT大模型部署的案例了，有时间我也一定去玩玩本地部署大模型。我相信在未来的AI项目中，Orange Pi AIpro将继续发挥重要作用，助我实现更多创新想法和应用场景。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/47935.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Redis持久化（AOF和RDB）

Redis持久化（AOF和RDB）

目录 前言 一.RDB 1.1手动执行 1.2自动执行 二.AOF 2.1重写机制 三.混合持久化 Redis的学习专栏：http://t.csdnimg.cn/a8cvV 前言 持久化，在之前，我们接触这个词汇是在mysql数据库当中的事务四大特性里。 持久性：指一旦事…
阅读更多...
Linux网络编程之UDP

Linux网络编程之UDP

文章目录 Linux网络编程之UDP1、端口号2、端口号和进程ID的区别3、重新认识网络通讯过程4、UDP协议的简单认识5、网络字节序6、socket编程接口6.1、socket常见接口6.2、sockaddr通用地址结构 7、简单的UDP网络程序7.1、服务器响应程序7.2、服务器执行命令行7.3、服务器英语单词…
阅读更多...
vue学习笔记（十）——Vuex（状态管理，组件间共享数据）

vue学习笔记（十）——Vuex（状态管理，组件间共享数据）

1. vuex基础-介绍 1.1 为什么会有Vuex ? 在现代 Web 开发复杂多变的需求驱动之下，组件化开发已然成为了事实上的标准。然而大多数场景下的组件都并不是独立存在的，而是相互协作共同构成了一个复杂的业务功能。 组件间的通信成为了必不可少的开发需求。…
阅读更多...
《Linux运维总结：基于ARM64架构CPU使用docker-compose一键离线部署单机版tendis2.4.2》

《Linux运维总结：基于ARM64架构CPU使用docker-compose一键离线部署单机版tendis2.4.2》

总结：整理不易，如果对你有帮助，可否点赞关注一下？ 更多详细内容请参考：《Linux运维篇：Linux系统运维指南》 一、部署背景 由于业务系统的特殊性，我们需要面对不同的客户部署业务系统&#xff0…
阅读更多...
数学建模——快递包裹装箱优化问题（2023年长三角数学建模A题问题一、问题二）

数学建模——快递包裹装箱优化问题（2023年长三角数学建模A题问题一、问题二）

快递包裹装箱优化问题 2022 年，中国一年的包 裹已经超过1000 亿件，占据了全球快递事务量的一半以上。近几年，中国每年新增包裹数量相当于美国整个国家一年的包裹数量，十年前中国还是物流成本最昂贵的国家，当前中国已经…
阅读更多...
【IC前端虚拟项目】sanity_case的编写与通包测试

【IC前端虚拟项目】sanity_case的编写与通包测试

【IC前端虚拟项目】数据搬运指令处理模块前端实现虚拟项目说明-CSDN博客 在花了大力气完成reference model之后，整个验证环境的搭建就完成了，再多看一下这个结构然后就可以进行sanity_case和通包测试： 关于sanity_case和通包测试我在很多篇文章中说过好多次了在这里就不赘述…
阅读更多...
el-menu弹出菜单样式不生效

el-menu弹出菜单样式不生效

1. 使用 ruoyi 项目时出现的问题。 <template><el-menu:default-active"activeMenu":collapse"false":unique-opened"true"class"container":collapse-transition"true"mode"horizontal"><sideba…
阅读更多...
华为od 100问 持续分享6-入职体检

华为od 100问 持续分享6-入职体检

我是一名软件开发培训机构老师&#xff0c;我的学生已经有上百人通过了华为OD机试&#xff0c;学生们每次考完试&#xff0c;会把题目拿出来一起交流分享。 重要&#xff1a;2024年5月份开始&#xff0c;考的都是OD统一考试&#xff08;D卷&#xff09;&#xff0c;题库已经整…
阅读更多...
Linux驱动开发-05APP和驱动的交互方式

Linux驱动开发-05APP和驱动的交互方式

一、传输数据 APP和驱动： copy_to_usercopy_from_user驱动和硬件： 各个子系统的函数通过ioremap映射寄存器地址后，直接访问寄存器二、APP使用驱动的四种方式 驱动程序：提供能力，不提供策略 非阻塞(查询)（应用程序访问底层驱动时（read、write时），驱动没有数据不等待，…
阅读更多...
基于 CNN(二维卷积Conv2D)+LSTM 实现股票多变量时间序列预测(PyTorch版)

基于 CNN(二维卷积Conv2D)+LSTM 实现股票多变量时间序列预测(PyTorch版)

前言 系列专栏:【深度学习&#xff1a;算法项目实战】✨︎ 涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域&#xff0c;讨论了各种复杂的深度神经网络思想&#xff0c;如卷积神经网络、循环神经网络、生成对…
阅读更多...
单机、集群、分布式服务器比较：

单机、集群、分布式服务器比较：

1. 单机服务器的瓶颈&#xff1a; 单机服务器&#xff1a;一台服务器独立运行一个工程所需的全部的业务模块 受限于服务器硬件资源&#xff0c;所承受用户并发量受限&#xff0c;32位linux操作系统最大并发量为两万任一模块的变动和修改&#xff0c;都会导致整个项目代码重新编…
阅读更多...
PHP上门按摩专业版防东郊到家系统源码小程序

PHP上门按摩专业版防东郊到家系统源码小程序

&#x1f486;‍♀️【尊享级体验】上门按摩专业版&#xff0c;告别东郊到家&#xff0c;解锁全新放松秘籍&#xff01;&#x1f3e0;✨ &#x1f525;【开篇安利&#xff0c;告别传统束缚】&#x1f525; 亲们&#xff0c;是不是厌倦了忙碌生活中的疲惫感&#xff1f;想要享…
阅读更多...
从微软发iPhone，聊聊企业设备管理

从微软发iPhone，聊聊企业设备管理

今天讲个上周的旧闻&#xff0c;微软给员工免费发iPhone。其实上周就有很多朋友私信问我&#xff0c;在知乎上邀请我回答相关话题&#xff0c;今天就抽点时间和大家一起聊聊这事。我不想讨论太多新闻本身&#xff0c;而是更想聊聊事件的主要原因——微软企业设备管理&#xff0…
阅读更多...
利用AI与数据分析优化招聘决策

利用AI与数据分析优化招聘决策

一、引言 在竞争激烈的职场环境中&#xff0c;招聘是组织获取人才、实现战略目标的关键环节。然而&#xff0c;传统的招聘方式往往依赖人力资源部门的主观经验和直觉&#xff0c;难以准确预测招聘效果&#xff0c;评估招聘渠道的效率。随着人工智能&#xff08;AI&#xff09;…
阅读更多...
CSPVD 智慧工地安全帽安全背心检测开发包

CSPVD 智慧工地安全帽安全背心检测开发包

CSPVD SDK适用于为各种智慧工地应用增加安全防护穿戴合规的检测能力&#xff0c;能够有效检测未戴安全帽和未穿 安全背心的人员&#xff0c;提供Web API和原生API。官方下载&#xff1a;CSPVD工地安全防护检测 1、目录组织 CSPVD开发包的目录组织说明如下&#xff1a; xlpr_…
阅读更多...
linux进程——状态——linux与一般操作系统的状态

linux进程——状态——linux与一般操作系统的状态

前言&#xff1a;博主在之前的文章已经讲解了PCB里面的pid——主要讲解了父子进程PID&#xff0c; 以及fork的相关内容。 本节进入PCB的下一个成员——状态&#xff0c; 状态是用来表示一个进程在内存中的状态的&#xff0c; 进程在内存中肯能处于各种状态&#xff0c; 比如运行…
阅读更多...
云原生系列 - Jenkins

云原生系列 - Jenkins

Jenkins Jenkins&#xff0c;原名 Hudson&#xff0c;2011 年改为现在的名字。它是一个开源的实现持续集成的软件工具。 官方网站&#xff08;英文&#xff09;&#xff1a;https://www.jenkins.io/ 官方网站&#xff08;中文&#xff09;&#xff1a;https://www.jenkins.io…
阅读更多...
【Linux】汇总TCP网络连接状态命令

【Linux】汇总TCP网络连接状态命令

输入命令&#xff1a; netstat -na | awk /^tcp/ {S[$NF]} END {for(a in S) print a, S[a]} 显示&#xff1a; 让我们逐步解析这个命令&#xff1a; netstat -na: netstat 是一个用于显示网络连接、路由表、接口统计等信息的命令。 -n 选项表示输出地址和端口以数字格式显示…
阅读更多...
贝锐蒲公英远程运维方案：即装即用、无需专线，断网也可远程维护

贝锐蒲公英远程运维方案：即装即用、无需专线，断网也可远程维护

目前&#xff0c;公路、隧道、桥梁、航道&#xff0c;甚至是施工现场和工业生产环境等&#xff0c;都采用了实时监测方案。 通过部署各类传感器和摄像头等设备&#xff0c;现场视频画面和控制单元&#xff08;如PLC、工控机等&#xff09;数据可以实时回传&#xff0c;用于集中…
阅读更多...
AI批量剪辑，批量发布大模型矩阵系统搭建开发

AI批量剪辑，批量发布大模型矩阵系统搭建开发

目录 前言 一、AI矩阵系统功能 二、AI批量剪辑可以解决什么问题&#xff1f; 总结&#xff1a; 前言 基于ai生成或剪辑视频的原理&#xff0c;利用ai将原视频进行混剪&#xff0c;生成新的视频素材。ai会将剪辑好的视频加上标题&#xff0c;批量发布到各个自媒体账号上。这…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023