“一芯四用”，米尔RK3576如何同时驾驭4路YOLOv8视频流？

在科技飞速发展的当下，人工智能与边缘计算的融合正以前所未有的速度重塑着我们的生活。RK3576芯片拥有4核Cortex-A72以及4核Cortex-A53提供基础算力，6TOPS算力NPU来模型推导运算。使用YOLOv8模型时也是手到擒来，接下来随着步伐看看它表现如何。

YOLO简介

YOLO（You Only Look Once）是当前业界领先的实时目标检测算法系列，以其速度和精度的完美平衡而闻名。从它发布至今，经历了好几个版本变革，下图是它发展历史。

图1-1. YOLO版本发展史

YOLOv8在性能、易用性、架构现代性和生态之间取得了最佳的平衡，它是目前最全面，最省心选择。

同样YOLOv8也有很多尾缀，用一个表简单列一下它们分别代表什么意思：

表1-1.按任务类型区分

后缀	全称	任务	输出	典型应用
-det	Detection	目标检测	边界框(BBox)+类别和置信度	找出图像中所有感兴趣的物体并用框标出。如：行人检测、车辆检测、安全帽检测。
-seg	Segmentation	实例分割	边界框+类别+像素级掩膜 (Mask)	在目标检测的基础上，进一步勾勒出物体的精确轮廓。如：抠图、自动驾驶中识别道路和车辆形状。
-pose	Pose	关键点检测	边界框+人体关键点(17个点)	检测人体的关键骨骼点。如：动作识别、健身姿态分析、人机交互。
-cls	Classification	图像分类	整个图像的类别标签	判断一张图片属于哪个类别。如：猫狗分类、图像质量评估。
-obb	Oriented Bounding Boxes	旋转目标检测	旋转边界框(BBox+角度θ)+类别和置信度	检测带有角度的物体，其边界框不是水平的。

表1-2.按模型尺寸分

前缀	含义	特点	适用场景
n	Nano	极小的模型，速度最快，精度最低	移动端、嵌入式设备（如Jetson Nano）、CPU实时推理
s	Small	小模型，速度和精度平衡	最常用的起点，适合大多数需要实时性的场景（如视频流分析）
m	Medium	中等模型，精度和速度的最佳权衡	对精度有较高要求，且仍有不错的速度
l	Large	大模型，精度高，速度较慢	服务器端应用，其中精度比速度更重要
x	X-Large	超大模型，精度最高，速度最慢	学术研究、刷榜、对精度有极致要求的离线分析

米尔Demo模型选择

基于MYD-LR3576来说，选择s/n小模型相对合适，使用基础功能和-seg，-obb，-pos来演示。

单独测试视频场景

1.YOLOv8s.int 目标检测模型

2.YOLOv8s-seg.int 实例分割模型

3.YOLOv8s-pose.int 人体姿态估计模型

4.YOLOv8s-obb.float 旋转目标检测模型

上面已经看到了单独解析视频时，每一种模型效果，接下来演示MYD-LR3576通过4路摄像头同时推导效果。

实现方式如下：

MYD-LR3576拥有3路MIPI-CSI接口，通过3个MY-CAM004M分别接入3路MIPI-CSI，采用2+1+1方式搭载4路AHD高清摄像头，摄像头采集的画面输出为H.264编码的RTSP码流，1920*1080分辨率，30帧。经过MYD-LR3576开发板处理后，单路视频输出1920*1080，25fps，4路视频加起来在60~70帧，cpu占用率接近100%，NPU综合利用率在50~60%。

图1-2.实物接线概要图

图1-3.摄像头数据处理流程图

MYIR在程序中做了哪些优化

AI推导一轮流程

获取CSI一帧数据

裁剪数据到xxx*yyy较小图片

调用RKNN api处理

获取返回特征位置和相似度

对应放大到原始图片

增加方框和相似度值到原图

这样做后果是CPU利用率不高，视频采集帧数低，最后显示效果会卡顿。

米尔采用线程池方案，将上述过程通过线程处理，充分利用4个A72和4个A53资源，同时采用RGA来做图片裁剪和放大。将CPU,GPU,NPU,VPU4个模块协同工作，资源最大限度开发使用。

总结：

RK3576 在 YOLOv8 模型表现上十分亮眼，它的应用场景涉及到很多领域。例如智能安防，在公共场所，如机场、火车站、商场等，部署的安防监控系统，快速准确地识别出人群中的异常行为，如打架斗殴、奔跑逃窜等，并及时发出警报，同时，通过人脸识别技术，系统可以对进入场所的人员进行身份识别，与数据库中的信息进行比对，实现对重点人员的监控和追踪。又或者搭载智能机器人赋予迅速反馈。

更多MYD-LR3576创新应用，敬请期待。