- 综合排序
- 最热优先
- 最新优先
- 来自专栏嵌入式分享
2026年嵌入式边缘计算开发板如何选？10大边缘AI开发板评测
FCU3501 AI边缘计算盒子:可扩展的32TOPS边缘智能服务器FCU3501并非传统的核心板,而是一款基于RK3588J处理器设计的"一体化AI边缘计算设备"。 FET3588-C核心板:全能旗舰,定义8K智能新高度RK3588核心板、开发板是飞凌嵌入式AI产品线的性能标杆,它将瑞芯微RK3588芯片的潜能完整释放,为高端AIoT应用提供了一个功能极其强大的硬件平台 FETMX8MP-C核心板:机器视觉专用的工业AI核心iMX8MP核心板、开发板基于恩智浦i.MX 8M Plus Quad处理器,这款核心板在能效比、实时性和工业机器视觉的精准度上做到了极致。 AI算力:0.5TOPS INT8算力,满足基础视觉识别(如人脸/物体检测)、语音处理等边缘AI需求,低于FET3562-C但更适配低功耗场景。 存储与外设:1GB LPDDR4、8GB eMMC,2路USB 2.0,适配高速存储与外设扩展。典型行业应用工业物联网网关 智能家居与消费电子 边缘AI设备 汽车电子与车载系统
97510编辑于 2026-01-19 - 来自专栏信息化运维
混合、边缘与AI
云计算实施专家Amido的CTO Simon Evans看到各个领域的CIO都应用或计划使用边缘计算：“边缘与位置有关——你把东西放在哪里，使它们与云计算互补。”他认为，联网设备为企业增加了机会。 Evans认为边缘的应用得益于企业认为战略应聚焦于“云优先”，因此Amido也发现企业内部的云原生工具数量的增加。 边缘计算的兴起将提高组织收集数据的能力。 展望未来 Evans认为，云计算的应用将使“人工智能(AI)和机器学习(ML)获得动力”。 尽管围绕于这项技术的是不断的媒体报道、争论和炒作，但Evans表示，这项技术和边缘计算一样，正在成为CIO的战略实际。 那些需要理解结构与非结构化数据以帮助自身进行决策和分析的公司正在使用云供应商提供的嵌入式AI和ML来获得相应能力。 他预测，“2019年，这一趋势将继续扩大，主流企业会将AI纳入其数字战略中。”
66900发布于 2019-11-16 - 来自专栏快学Python
OpenCV基础 | 8.边缘保留滤波
作者：小郭学数据 源自：快学python 学习视频可参见python+opencv3.3视频教学 基础入门 outline 边缘保留滤波（EPF） 高斯双边 均值迁移 1.高斯双边 图像边缘是指图像属性区域和另一个属性区域的交接处 ，是区域属性发生突变的地方，是图像不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息 高斯滤波是一种低通滤波，它在滤除图像中噪声信号的同时，也会对图像中的边缘信息进行平滑，表现出来的结果就是图像变得模糊 但是在像素值出现跃变的边缘区域，这种方法会适得其反，损失掉有用的边缘信息。 为了保护边缘信息，提出了双边滤波 双边滤波函数 void bilateralFilter( InputArray src, OutputArray dst, int d,
79620发布于 2021-08-09 - 来自专栏数据派THU
原创 | 一文了解边缘计算和边缘AI
这个9月，AI芯片独角兽地平线发布了自诩最强边缘 AI 芯片地平线「旭日3」，一时间引起轰动。 事实上，当前边缘AI芯片已不再是个小众领域，除地平线以外，包括谷歌、英伟达、英特尔、高通、华为、寒武纪均于近两年推出边缘AI芯片，AI芯片的战火已经由云端蔓延到了边缘。 边缘 AI 芯片组市场将超过云AI芯片组市场。 预期在未来五年，AI训练与推论会在网关或是各种边缘装置进行，甚至往下到传感器节点。那么，边缘AI到底是什么，靠什么能解决这些行业痛点呢？ 三、边缘AI的使用场景 边缘AI因其流量占有少、时延低、隐私性强等特征，在各行各业具有广泛的应用前景。 智能手机 这或许是我们最熟悉的边缘AI设备。
2.4K51发布于 2020-10-26 边缘AI硬件优化策略解析
这些流畅交互的核心是边缘AI——直接运行于智能手机、可穿戴设备和物联网设备上的AI技术，提供即时直观的响应。什么是边缘AI？ 边缘AI指将AI算法直接部署在网络"边缘"的设备上，而非依赖集中式云数据中心。该方法利用边缘设备（如笔记本电脑、智能手机、智能手表和家用电器）的处理能力进行本地决策。 基于云的AI模型可依赖具有强大算力的外部服务器，而边缘设备只能利用现有资源。这种向边缘处理的转变从根本上改变了AI模型的开发、优化和部署方式。 幕后工作：为边缘优化AI能在边缘设备上高效运行的AI模型需大幅缩减体积和计算量，同时保持可靠结果。该过程通常称为模型压缩，涉及神经架构搜索（NAS）、迁移学习、剪枝和量化等先进算法。 每年都在架构、制造和集成方面取得进展，确保硬件与AI趋势保持同步。边缘AI的发展之路边缘AI模型部署因生态系统的碎片化而更加复杂。由于许多应用需要定制模型和特定硬件，缺乏标准化。
27000编辑于 2025-09-15- 来自专栏全栈程序员必看
OpenCV-Python教程（8、Canny边缘检测）
其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。 函数返回一副二值图，其中包含检测出的边缘。 使用 Canny函数的使用很简单，只需指定最大和最小阈值即可。 如下： #coding=utf-8 import cv2 import numpy as np img = cv2.imread("D:/lion.jpg", 0) img = cv2.GaussianBlur
1.4K10编辑于 2022-09-02 - 来自专栏燧机科技-视频AI智能分析
视频ai智能分析边缘计算盒
视频ai智能分析边缘计算盒可以配备为在施工工地现场监测到违规事件时开启即时警报，并伴随時间的变化收集数据，将其展示为历史时间数据图表、图型或热点图。 视频ai智能分析边缘计算盒与传统的的视频监管方式对比，传统式的视频监管方式 通常必须手动式分析很多的视频流，视频ai智能分析边缘计算盒可以协助工作员在必须付诸行动时过虑有关事情并发送报警。 视频ai智能分析边缘计算盒还能够与人脸识别技术和身体鉴别技术相结合。 视频ai智能分析边缘计算盒接入前端第三方监控摄像头视频流数据开展分析，视频ai智能分析边缘计算盒会将分析出来的结果向三方平台推送预警信息照片、视频和警报统计数据，完成各种各样连接。
1.8K20编辑于 2022-09-12 - 来自专栏VoiceVista语音智能
AI on the Edge - 苹果手收购边缘处理AI公司Xnor
苹果以2000万美元收购边缘侧人工智能创业公司Xnor.ai。Xnor.ai专注于非云端的边缘侧低功耗机器学习技术(low-power machine learning)。 Xnor的物体识别(recognition AI)与其低功耗技术相结合，对于苹果非常有价值，比如在iPhone上更快的人脸识别速度，或者是在智能家居产品，由于无需连接至云端，从而可以更好地保护用户的隐私 Xnor尽管目前并不支持语音人工智能，但其底层的边缘处理是一致的，特别是在效率和隐私保护层面(efficiency and privacy)。 Sensory近日发布的脱离云端的可定制语音助手，与Picovoice平台均是边缘侧人工智能的应用案例。 又比如Knowles推出的首个边缘侧Amazon-approved Alexa headset development kit，以及Aspinity推出的边缘侧语音人工智能模拟电路系统。
62810发布于 2020-02-19 - 来自专栏magicodes
边缘计算k8s集群之SuperEdge
Kubernetes 所有 API 及资源，无额外学习成本 边缘自治：SuperEdge 提供 L3 级边缘自治能力，当边缘节点与云端网络连接不稳定或处于离线状态时，边缘节点可以自主工作，化解了网络不可靠所带来的不利影响 metadata: annotations: deployment.kubernetes.io/revision: "1" generation: 1 labels: k8s-app progressDeadlineSeconds: 600 replicas: 1 revisionHistoryLimit: 10 selector: matchLabels: k8s-app 1" edge.tke.cloud.tencent.com/mem: 2Gi creationTimestamp: null labels: k8s-app name: tcp-80-80 nodePort: 30500 port: 80 protocol: TCP targetPort: 80 selector: k8s-app
2K10发布于 2021-03-04 - 来自专栏云云众生s
边缘 AI：如何利用 Kubernetes 实现魔力
但是对于实际的关键业务推理工作，零售助手和其他 AI 工作负载可能不应该存在于云中。它们需要存在于边缘。事实上，我们认为大多数 AI 工作负载的自然家园将是网络边缘运行。 为什么？ ...并且 AI 放大了边缘的挑战 在边缘环境中添加 AI 引入了更多层次的复杂性。 在深入功能列表之前，EdgeAI 使您能够： 大规模将边缘 AI 堆栈部署和管理到边缘位置，从易于使用的硬件载入选项到包含您选择的AI引擎的可重复“蓝图”。 您的行业也有边缘 AI 使用案例。 但是只有当您能够解决边缘的挑战时，AI 的益处才会握在您手中。
37810编辑于 2024-03-28 边缘AI与端云协同架构
边缘AI与端云协同架构概述 边缘AI将人工智能模型部署在边缘设备（如手机、传感器、嵌入式设备）上，实现本地实时处理；端云协同通过边缘与云计算的协作，平衡计算负载、隐私与延迟。 案例分析 案例1：智能家居安防系统 架构设计： 边缘端：摄像头运行轻量级YOLOv5模型，实时检测入侵者，触发本地警报。 云端：上传可疑图像至云端进行高精度分析（如ResNet），并通知用户。 技术要点： 边缘设备使用TensorFlow Lite或PyTorch Mobile部署模型。 通过MQTT协议实现边缘与云通信。 案例2：工业设备预测性维护 架构设计： 边缘端：传感器采集设备振动数据，运行LSTM模型预测故障。 云端：聚合多设备数据，训练全局模型并下发更新至边缘。 技术要点： 边缘计算减少数据传输延迟。 动态卸载：根据网络条件决定计算在边缘或云端执行。 安全协议：采用TLS加密边缘-云通信。 通过案例与代码可见，边缘AI与端云协同能显著提升响应速度并降低带宽消耗，但需权衡模型精度与资源限制。
46510编辑于 2026-01-20FPGA，实施边缘 AI 的理想选择
将采用人工智能 (AI) 和机器学习 (ML) 算法的计算能力及具有 AI 功能的设备安排在边缘，可以在提升数据处理量的同时生成更多数据，从而实现更复杂的 AI 用例，进而获得更多可行洞察。 企业实施 AI 需要满足哪些要求？ 在整个企业内广泛实施 AI 时，务必要确保边缘设备、边缘基础设施和云三大基础设施要素均具备处理 AI 工作负载的足够性能。 实施 AI 的具体要求包括： - 高性能：AI 工作负载往往计算密集度较高，在进行 AI 训练或推理的地方，必须具备强大的计算性能； - 低时延：将 AI 工作负载转移到边缘位置（即使只是将部分 面向 Altera FPGA 和 SoC 的边缘就绪型 AI 工具套件 分布式 AI/机器学习边缘解决方案往往十分复杂，开发难度非常高。 边缘 AI 用例 许多数据中心以外的终端市场都很适合采用 FPGA 来实现应用和 AI 计算功能所需的逻辑，从而支持在本地处理数据。
18310编辑于 2026-03-23- 来自专栏全栈程序员必看
imx8开发板_安卓反编译教程
apt-get u-boot-tools sudo apt-get mtd-utils sudo apt-get android-tools-fsutils sudo apt-get openjdk-8- jdk sudo apt-get device-tree-compiler sudo apt-get gdisk 其中Openjdk-8-jdk不能直接安装，因为官方已经将源默认移除了，需要寄几添加，jdk ~/android_build $ cd ${MY_ANDROID} $ source build/envsetup.sh $ lunch evk_8mq-userdebug $ make -j8 2> sudo apt-get install oracle-java8-installer 如果即安装了jdk7,又安装了jdk8,要实现两者的切换,可以: jdk8 切换到jdk7 sudo update-java-alternatives -s java-7-oracle jdk7 切换到jdk8 sudo update-java-alternatives -s java-8-oracle 版权声明：本文内容由互联网用户自发贡献
57910编辑于 2022-11-10 - 来自专栏大龄程序员的人工智能之路
边缘AI烽烟再起之三国逐鹿
边缘AI（Edge AI）的术语来自边缘计算，这意味着计算发生在靠近数据源的位置。 题图 来自pixabay 边缘AI（Edge AI）依然是新兴领域，许多人不清楚该为他们的项目选择哪些硬件平台。本文将比较一些当前领先的边缘AI平台。 我们今天要讲的是边缘AI的平台。那么，边缘AI究竟是什么？边缘AI的术语来自边缘计算，这意味着计算发生在靠近数据源的位置。在当前的AI世界中，它意味着计算不发生在数据中心或大型计算机中。 尺寸、功率和成本 物理尺寸是重要考虑因素，它必须足够小以适应边缘设备。开发板包含一些可能不会出现在生产模块中的外围设备，例如：以太网、USB插座，但开发板给我们提供了很好的尺寸和功耗指标。 更糟糕的是，它甚至不支持完整的Tensorflow Lite，而只支持量化为8位整数（INT8）的模型！这与除了INT8之外还支持FP16（16位浮点）的NCS2形成对比。 这意味着什么？
98610发布于 2019-08-23 - 来自专栏AIoT技术交流、分享
恩智浦AI开发板，小试牛刀
该芯片的核心优势在于集成了恩智浦专为边缘AI任务研发的NPU N1-16专用加速器。 作为开发板的核心特色功能，MCUXpresso SDK中提供的人脸识别例程，则直观展现了NPU在边缘AI场景的实战能力。 除人脸识别外，SDK还提供了电机异常检测、图像分类等多款边缘AI演示例程，充分彰显了开发板的边缘智能处理优势。 综合来看，恩智浦FRDM-MCXN947开发板是一款定位清晰、功能完备的边缘AI开发平台，精准平衡了性能、功耗与成本三大核心要素，为边缘智能应用的快速落地提供了可靠的硬件支撑。 该开发板的核心竞争力在于其强劲的边缘AI处理能力，专用NPU的集成设计，使其在机器学习任务中的性能表现远超传统微控制器。
23510编辑于 2026-03-23 - 来自专栏量子位
Google人体图像分割模型Bodypix再次更新，针对Coral开发板优化，720p30fps流畅运行
AI开发板果然是各大厂商的必争之地。树莓派4刚发布8GB版，快被遗忘的谷歌Coral开发板就迎来新的机器学习模型，登上了近日GitHub开源热榜。 什么是Bodypix Bodypix最早是谷歌在2019年2月发布的人体分割AI模型。 BodyPix能将图像分割为属于人的和不属于人的像素，属于人的部分可以进一步分类为24个身体部位之一。 python3 bodypix.py --anonymize 关于谷歌Coral 谷歌在2019年初在TensorFlow开发者大会上推出的一系列边缘AI设备，不仅有类似于树莓派的开发板，还有AI加速计算棒 它们都内置了边缘TPU，比树莓派更适合做AI运算。 ? 当时谷歌宣称，Coral开发板能够以每秒30帧的速度在高分辨率视频上运行深度神经网络。 现在，谷歌发布的Coral Bodypi针对Coral开发板上的iMX8MQ GPU和VPU进行优化，可以在平台上进行实时处理和渲染。
89120发布于 2020-06-16 - 来自专栏后端
智简模型，边缘智能：AI 轻量化与边缘计算的最佳实践
摘要边缘计算与 AI 模型的结合，能够在资源受限的环境中提供实时智能服务。通过模型轻量化技术（如量化、剪枝和知识蒸馏），我们可以显著减少 AI 模型在边缘设备上的计算需求，提升运行效率。 本篇文章将介绍 AI 模型轻量化的基本方法，并展示一个将轻量化模型部署到边缘设备的案例。引言近年来，边缘计算的应用场景逐渐增多，例如智能家居、无人机、物联网设备等。 然而，传统 AI 模型通常体积庞大，计算复杂，难以在计算资源有限的边缘设备上运行。模型轻量化技术正是为了解决这一问题，使得 AI 算法能够高效运行于边缘设备之上。 模型轻量化与优化方法模型量化通过将模型的权重和激活值从 32 位浮点数压缩到 8 位甚至更少的精度，可以大幅降低模型的存储和计算需求。 未来边缘计算硬件的持续进步和模型轻量化技术的优化，将进一步推动 AI 技术的普及。更多复杂算法将得以部署于资源受限的设备中。
1.7K12编辑于 2024-12-08 - 来自专栏GPUS开发者
如何选择一款边缘AI设备？
边缘计算可以为 IoT 网络增加极大的灵活性、速度和智能性，但重要的是要了解边缘 AI 设备并不是应对智能网络应用程序面临的所有挑战的灵丹妙药。 在本文的结尾，在确定边缘技术是否适合您的应用程序后，我们将讨论买家在评估边缘 AI 设备时应寻找的主要功能和注意事项。 什么是边缘计算？ 评估边缘人工智能选择能够执行边缘处理的平台（可能包括运行 AI 算法或 ML 推理引擎）需要仔细评估。简单的传感器和执行器，即使是物联网的一部分，也可以使用相对适中的集成设备来实现。 边缘计算的优势 02 现在在技术上可以将 AI 和 ML 应用到边缘设备和智能节点中，从而带来重大机遇。这意味着不仅处理引擎更接近数据源，而且该引擎可以用它收集的数据做更多的事情。 边缘处理可以克服这一点。通过在边缘处理数据，不需要离开设备。数据隐私在便携式消费设备中越来越重要；手机上的面部识别使用本地 AI 处理相机图像，因此数据永远不会离开设备。
78230发布于 2021-09-22 - 来自专栏深度学习自然语言处理
薪资不逊 NLP 算法岗，边缘 AI 火了！
为了全面系统的培养高性能神经网络人才，贪心学院重磅推出《高性能神经网络与AI芯片应用研修课程》，为想进入边缘AI行业的同学们提供一个可以大幅提升自身就业竞争力的选择。 编程及深度学习基础良好，为了想进入边缘AI行业发展 在职人士 • 想进入边缘AI行业的算法或IT工程师 • 想通过掌握硬件技术，拓宽未来职业路径的AI算法工程师 入学基础要求 • 掌握python、C 02 你将收获 • 掌握最前沿的边缘AI算法技术，顺利敲开边缘AI行业求职大门； • 掌握神经网络高性能实现的算法及工具； • 掌握通用芯片及专用AI芯片架构及网络加速技术； • 掌握通用芯片及专用AI 芯片神经网络部署应用的实际案例； • 短期内对边缘AI技术有全面深入认知，大大节省学习时间； • 进入边缘AI算法圈子，认识一群拥有同样兴趣的人。 课程使用EAIDK310和嘉楠勘智K210开发板作为教学材料。 • 专家导师授课：课程导师为AI芯片行业专家，相关项目经验十分丰富。
69440编辑于 2022-03-16 - 来自专栏架构之路
边缘云K8S离线高可用设计
一、背景我们的应用部署在边缘云环境中，面临两个关键挑战：一是场地断网时，Apollo配置无法加载，导致K8S启动失败；二是K8S集群的etcd服务状态不一致时，同样会阻碍K8S正常启动。 这里我大概说下我们整体的架构，上层是总部数据中心，你可以理解是公司的私有云或者公有云（类似腾讯云），下层是边缘云，那边缘云是啥呢？ （边缘云将计算能力下沉到网络边缘（如工厂、仓库），就近处理数据，减少传输延迟并提升效率，避免完全依赖中心云。） 有些模块我就不重点介绍了，这里说下，边缘云应用K8S是需要依赖总部的Apollo配置中心的数据的，如果地区网络故障，中心云端的配置就拉取不到边缘云的应用K8S，应用K8S启动失败，进而边缘云的微服务都提供不了服务 四、创新点4.1 中心云网络与边缘云网络隔离时，边缘云K8S应用可离线启动。
35521编辑于 2025-12-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号