在工業4.0與邊緣計算加速發展的背景下，嵌入式設備的實時目標檢測能力已成為智能制造等領域的核心技術需求。然而，移動端設備受限于算力與能耗，傳統深度學習框架難以兼顧效率與精度。為此，睿擎平臺在RT-Thread 系統上深度集成NCNN推理框架，通過其輕量化架構與硬件級優化能力，結合YOLO系列算法的高效單階段檢測特性，實現了工業場景下的目標檢測系統。

一. NCNN 簡介

NCNN是由騰訊公司開源的一個專為移動端平臺設計的高性能神經網絡前向計算框架。該框架以其輕量級、高效率以及強大的跨平臺兼容性而著稱，能夠在資源受限的移動設備上實現深度學習模型的快速部署與高效推理。NCNN的核心優勢在于其精簡的庫體積、優化的計算性能，特別適用于嵌入式設備等邊緣計算場景中的AI應用開發。

二. YOLO 模型簡介

YOLO（You Only Look Once）是一種革命性的實時目標檢測架構，其核心思想是將目標檢測任務重構為單階段回歸問題。與傳統的兩階段檢測器（如Faster R-CNN）相比，YOLO通過單次前向傳播即可同時預測圖像中所有目標的邊界框坐標、類別概率和置信度。當前YOLO系列（v5/v7/v8/v10）持續優化精度-速度平衡，結合NCNN等輕量級推理框架，已成為工業機器視覺領域實時目標檢測的部署標準。其單階段處理架構從根本上解決了傳統方法在實時性上的瓶頸，為嵌入式設備賦予高響應能力。

三. 睿擎派實戰部署

以下步驟完整展示了在睿擎派（基于瑞芯微 RK3506J 三核 Cortex A7 1.5G 主頻，256M Bytes DDR，256M Bytes Nandflsh）硬件平臺上部署和運行 YOLOV3 模型的過程。

1. 創建示例工程

a.示例工程

在RuiChing Studio 中，按以下步驟創建 09_ai_mobilenetv2_yolov3

b. 核心示例代碼

工程生成的 yolov3.cpp 文件中，核心代碼部分如下:

c. 對核心代碼解析如下：

l cv::imread：加載需要檢測的圖像；

l detect_yolov3：運用 YOLOv3 模型對輸入的圖像進行目標檢測，把檢測到的目標信息存于 objects 向量中；

l draw_objects ：在輸入圖像上繪制檢測到的目標框和標簽，然后把繪制后的圖像保存到指定路徑源。

2. 編譯示例工程

對 09_ai_yolo_detection 示例工程進行編譯：

3. 運行程序

a. 準備模型和資源

在SD卡中存放mobilenetv2_yolov3.param和mobilenetv2_yolov3.bin，以及待檢測的圖片。

b. 運行程序

運行程序后，將測試圖像傳入系統，程序會調用 YOLO 模型進行目標檢測，在輸出圖像上繪制檢測到目標的邊界框和類別標簽。

查看檢測結果

小結

睿擎工業開發平臺憑借其全棧自主可控的軟硬件協同架構，在成功部署YOLO等視覺檢測模型的基礎上，進一步支持多類型AI框架與模型的靈活接入，為工業場景提供了開放、高效的AI賦能平臺。

想親手在睿擎派上復現 NCNN+YOLO 的實時目標檢測？想體驗從模型部署到工業場景落地的全流程實操？

9 月 4 日，睿擎工業開發平臺上海站 Workshop 為你開放專屬實戰機會 —— 現場不僅能近距離觀摩機器視覺 DEMO（基于 NCNN 框架的實時目標檢測，搭配 4.3 寸 MIPI 屏直觀展示檢測結果）

參會即得 “睿擎派” 50 元優惠券，更有機會抽中睿擎派開發板或《RT-Thread 設計與實現》書籍，帶設備回家繼續深耕機器視覺開發！