行空板OpenCV车辆检测：边缘AI实践与YOLOv8部署指南

1. 项目概述：当行空板遇上OpenCV，一个边缘端车辆检测装置的诞生

最近在折腾一个挺有意思的小项目：用行空板配合OpenCV，做了一个能实时检测车辆的嵌入式装置。这玩意儿听起来可能有点“硬核”，但实际做下来，你会发现它融合了硬件、软件和AI视觉，是一个绝佳的嵌入式AI入门实践。行空板，这个国产的、主打教育但性能不俗的单板计算机，加上OpenCV这个计算机视觉领域的“瑞士军刀”，组合起来能做什么？简单说，就是让一块巴掌大的板子，通过摄像头“看见”马路，并识别出其中的车辆。

这个项目的核心价值在于它的“边缘计算”属性。传统的车辆检测方案，要么依赖大型服务器进行视频流分析，延迟高、带宽占用大；要么就是成本高昂的专业设备。而我们这个方案，成本可控（一块行空板加一个普通USB摄像头），部署灵活（可以放在路边、停车场入口等任何有电源的地方），能够独立完成从图像采集、处理到识别的全流程，实时性非常好。它非常适合用于一些轻量级的场景，比如小区出入口的车流量统计、停车场空位检测、或者作为更复杂交通监控系统的一个前端感知节点。

我自己做这个项目的初衷，就是想验证一下在行空板这种资源受限的ARM平台上，跑OpenCV做实时目标检测的可行性。过程中踩了不少坑，从OpenCV的交叉编译、模型的选择与优化，到代码的效率调优，每一步都值得拿出来聊聊。如果你也对嵌入式AI、计算机视觉，或者单纯想把手里的行空板玩出点新花样感兴趣，那这篇分享应该能给你不少直接的参考。

2. 核心思路与方案选型：为什么是行空板+OpenCV？

2.1 硬件平台：行空板的优势与挑战

选择行空板作为硬件载体，是经过一番考量的。首先，它基于全志H616四核Cortex-A53处理器，主频1.5GHz，并集成了Mali-G31 MP2 GPU。这个配置对于运行Linux系统和基础的计算机视觉库来说，是足够的。相比树莓派，行空板在性价比和供货稳定性上常有优势，而且其板载的RGB灯、按键、屏幕等外设，对于项目调试和状态指示非常友好。

然而，挑战也同样明显。行空板的算力与台式机或服务器相比有巨大差距，内存通常为1GB或2GB。这意味着我们不能直接套用那些在PC上运行的大型、复杂的深度学习模型。必须在算法精度和计算效率之间做出权衡。此外，行空板的官方系统是基于Debian的，但软件源和库版本可能比较旧，这给OpenCV的安装和依赖管理带来了第一个难题——是直接用apt安装现成的包，还是自己从头编译？

注意：行空板有多个版本，如H616、H313等，其CPU和GPU性能有差异。在开始项目前，务必确认你手中板子的具体型号，这直接影响后续OpenCV的编译选项和性能预期。

2.2 软件核心：OpenCV的角色与版本选择

OpenCV在这个项目中扮演着核心的“视觉大脑”角色。我们需要它来完成几个关键任务：1) 从摄像头读取视频流；2) 对图像进行预处理（如缩放、色彩空间转换）；3) 运行车辆检测算法；4) 在图像上绘制检测框和结果。

关于OpenCV的安装，网络上常见的热词如“opencv安装教程”、“树莓派安装opencv”提供了很多参考，但行空板有其特殊性。直接apt-get install python3-opencv是最快的方式，但安装的版本可能很旧（如OpenCV 3.x），且不包含某些高级功能（如DNN模块对新型ONNX模型的支持）或针对ARM平台的优化。为了获得更好的性能和灵活性，我强烈建议从源码编译OpenCV。

版本选择上，OpenCV 4.x系列是主流。我选择了OpenCV 4.5.4，这是一个相对稳定且功能完善的版本。不建议盲目追求最新版，因为新版本可能引入未知的兼容性问题，且编译耗时更长。编译的关键在于启用对ARM NEON指令集和VFPv3浮点运算单元的支持，这是发挥行空板CPU性能的关键。同时，如果只需要Python接口，可以只编译Python绑定，减少编译时间和体积。

2.3 检测算法：从传统方法到轻量级深度学习

车辆检测的本质是目标检测。我们有以下几种路径：

1. 传统视觉方法：使用OpenCV内置的Haar级联分类器或HOG+SVM。优点是速度快，资源占用极低，无需额外模型文件。但缺点是准确率相对较低，对光照、角度变化敏感，且需要自己准备大量的正负样本进行训练，泛化能力一般。
2. 轻量级深度学习模型：这是当前的主流和更优选择。我们需要一个在精度和速度上平衡的模型。YOLO系列（如YOLOv5s, YOLOv8n）和MobileNet-SSD是经典选择。考虑到行空板的算力，必须选择其最轻量级的版本（如YOLOv8n, YOLOv5s）。

我最终选择了YOLOv8n模型，并将其转换为ONNX格式。理由如下：YOLOv8是Ultralytics公司推出的最新系列，在精度和速度上取得了很好的平衡，其nano版本（YOLOv8n）参数量仅约300万，非常适合边缘设备。ONNX格式是一个开放的模型交换格式，OpenCV的DNN模块能够很好地支持并高效运行ONNX模型，避免了部署复杂的PyTorch或TensorFlow运行时环境。

方案确定下来就是：在行空板上编译安装带DNN模块的OpenCV，然后利用OpenCV的cv2.dnn.readNetFromONNX()加载预训练好的YOLOv8n.onnx模型，完成车辆检测的推理流程。

3. 环境搭建与OpenCV编译：为行空板量身定制

这是整个项目最耗时但也最关键的步骤。一个优化良好的OpenCV编译，能让后续的检测帧率提升数倍。

3.1 行空板系统准备

首先，确保你的行空板系统是最新的。通过SSH连接到行空板，进行系统更新：

sudo apt update sudo apt upgrade -y

安装编译所需的工具和依赖库，这是一份比较全面的清单：

sudo apt install -y build-essential cmake git pkg-config sudo apt install -y libjpeg-dev libtiff5-dev libpng-dev sudo apt install -y libavcodec-dev libavformat-dev libswscale-dev libv4l-dev sudo apt install -y libxvidcore-dev libx264-dev sudo apt install -y libfontconfig1-dev libcairo2-dev sudo apt install -y libgdk-pixbuf2.0-dev libpango1.0-dev sudo apt install -y libgtk2.0-dev libgtk-3-dev sudo apt install -y libatlas-base-dev gfortran sudo apt install -y libhdf5-dev libhdf5-serial-dev libhdf5-103 sudo apt install -y libqt5gui5 libqt5webkit5 libqt5test5 python3-pyqt5 sudo apt install -y python3-dev python3-pip python3-numpy

实操心得：依赖库一定要装全，否则cmake配置时会报各种“找不到XXX”的错误，回头再补装依赖会导致需要重新配置和编译，非常浪费时间。特别是libhdf5系列和python3-dev，对于Python绑定和某些功能模块至关重要。

3.2 编译与安装OpenCV

这里我们选择编译OpenCV 4.5.4，并启用关键优化选项。

1. 下载源码：

   cd ~ git clone https://github.com/opencv/opencv.git -b 4.5.4 git clone https://github.com/opencv/opencv_contrib.git -b 4.5.4

   如果网络不畅，可以尝试寻找国内的镜像源，或者直接下载对应版本的zip包。

2. 创建编译目录并配置CMake：

   cd ~/opencv mkdir build && cd build

   接下来是核心的cmake命令。下面的配置是我经过多次尝试后，针对行空板优化后的版本：

   cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib/modules \ -D ENABLE_NEON=ON \ -D ENABLE_VFPV3=ON \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF \ -D BUILD_EXAMPLES=OFF \ -D WITH_GTK=ON \ -D WITH_FFMPEG=ON \ -D WITH_V4L=ON \ -D WITH_QT=OFF \ -D WITH_OPENGL=OFF \ -D OPENCV_ENABLE_NONFREE=OFF \ -D BUILD_opencv_python3=ON \ -D PYTHON3_EXECUTABLE=$(which python3) \ -D PYTHON3_INCLUDE_DIR=$(python3 -c "import sysconfig; print(sysconfig.get_path('include'))") \ -D PYTHON3_LIBRARY=$(find /usr/lib -name libpython3*.so) \ -D PYTHON3_NUMPY_INCLUDE_DIRS=$(python3 -c "import numpy; print(numpy.get_include())") \ -D PYTHON3_PACKAGES_PATH=$(python3 -c "import site; print(site.getsitepackages()[0])") \ -D INSTALL_PYTHON_EXAMPLES=OFF \ -D BUILD_NEW_PYTHON_SUPPORT=ON ..

   关键参数解析：

   • -D ENABLE_NEON=ON -D ENABLE_VFPV3=ON：开启对ARM NEON SIMD指令集和VFPv3浮点单元的支持，这是提升性能的关键。
   • -D WITH_GTK=ON：启用GTK，用于图像显示（如果你需要在行空板本地屏幕上显示结果）。
   • -D WITH_FFMPEG=ON -D WITH_V4L=ON：启用FFmpeg和Video4Linux支持，方便从摄像头读取视频。
   • -D WITH_QT=OFF -D WITH_OPENGL=OFF：关闭Qt和OpenGL，减少不必要的依赖和编译时间，因为行空板上通常用不到这些图形界面。
   • -D BUILD_opencv_python3=ON ...：这一系列参数确保正确编译Python3绑定，并链接到行空板上的Python3和NumPy。

3. 编译与安装： CMake配置成功后，开始编译。行空板是四核处理器，可以使用-j4参数加速编译。

   make -j4

   这个过程会非常漫长，可能需要1-2个小时，请耐心等待。编译完成后，执行安装：

   sudo make install sudo ldconfig

4. 验证安装： 编译安装完成后，在Python中验证：

   python3 -c "import cv2; print(cv2.__version__)"

   如果成功输出4.5.4，并且能正常导入，那么恭喜你，最艰难的一步已经完成了。

踩坑记录：编译过程中最常见的错误是内存不足。行空板的1GB内存在并行编译时可能耗尽，导致编译进程被杀死。如果遇到g++: fatal error: Killed signal terminated program cc1plus这类错误，可以尝试减少并行任务数，使用make -j2甚至make（单线程）来编译。虽然更慢，但更稳定。另外，可以尝试创建交换分区（swap）来临时扩充内存。

4. 车辆检测模型准备与优化

4.1 模型选择与获取

我们使用YOLOv8n模型。你可以在装有Ultralytics YOLO库的PC上进行模型导出。

# 在PC上执行 pip install ultralytics python3 -c "from ultralytics import YOLO; model = YOLO('yolov8n.pt'); model.export(format='onnx', imgsz=[640, 640])"

执行后，你会得到一个yolov8n.onnx文件。这个模型是在COCO数据集上预训练的，能识别80类物体，其中就包含car（汽车）、truck（卡车）、bus（公交车）等车辆类别。

4.2 模型简化与优化（可选但推荐）

原始的YOLOv8n.onnx模型可能包含一些对OpenCV DNN支持不友好或冗余的操作符。为了在行空板上获得更好的兼容性和性能，可以进行模型简化。使用onnx-simplifier工具：

# 在PC上执行 pip install onnx-simplifier python3 -m onnxsim yolov8n.onnx yolov8n_sim.onnx

得到简化后的模型yolov8n_sim.onnx，将其通过SCP或其他方式传输到行空板上。

4.3 模型在行空板上的部署

将.onnx模型文件放到行空板项目目录下，例如~/vehicle_detection/models/。同时，你需要一个包含COCO数据集类别名的文本文件coco.names，可以从网上下载，里面按行写着80个类别的名字。

5. 核心代码实现与解析

接下来是项目的核心——Python代码。我们将编写一个完整的车辆检测脚本。

5.1 代码结构概览

脚本主要分为以下几个部分：

1. 初始化：加载模型、定义类别、设置置信度和NMS阈值。
2. 视频流捕获：打开摄像头或视频文件。
3. 预处理：对每一帧图像进行缩放、归一化、颜色通道转换（BGR->RGB）等，以适应模型输入。
4. 推理：将预处理后的图像 blob 送入网络，进行前向传播。
5. 后处理：解析网络输出，应用置信度过滤和非极大值抑制（NMS），得到最终的检测框、类别和置信度。
6. 绘制与显示：在原始图像上绘制检测框和标签，并显示或保存结果。
7. 性能统计：计算并显示帧率（FPS）。

5.2 完整代码示例

以下是vehicle_detector.py的核心代码：

import cv2 import numpy as np import time class VehicleDetector: def __init__(self, model_path, classes_path, conf_threshold=0.5, nms_threshold=0.4): """ 初始化检测器 :param model_path: ONNX模型路径 :param classes_path: 类别名称文件路径 :param conf_threshold: 置信度阈值 :param nms_threshold: NMS阈值 """ # 加载网络 self.net = cv2.dnn.readNetFromONNX(model_path) # 尝试使用CPU后端（行空板OpenCV DNN对CPU优化更好） self.net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV) self.net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU) # 加载类别名 with open(classes_path, 'r') as f: self.classes = [line.strip() for line in f.readlines()] # 我们只关心车辆类别，这里以COCO索引为例：2:car, 5:bus, 7:truck self.vehicle_class_ids = [2, 5, 7] self.vehicle_class_names = ['car', 'bus', 'truck'] self.conf_threshold = conf_threshold self.nms_threshold = nms_threshold self.input_size = (640, 640) # YOLOv8默认输入尺寸 def preprocess(self, frame): """将帧图像预处理为网络输入blob""" # 保持宽高比缩放，并在边缘填充灰色 h, w = frame.shape[:2] scale = min(self.input_size[1] / h, self.input_size[0] / w) new_w, new_h = int(w * scale), int(h * scale) resized_frame = cv2.resize(frame, (new_w, new_h)) # 创建画布并填充 canvas = np.full((self.input_size[1], self.input_size[0], 3), 114, dtype=np.uint8) x_offset = (self.input_size[0] - new_w) // 2 y_offset = (self.input_size[1] - new_h) // 2 canvas[y_offset:y_offset+new_h, x_offset:x_offset+new_w] = resized_frame # 转换为RGB，归一化，调整维度顺序为NCHW blob = cv2.dnn.blobFromImage(canvas, 1/255.0, swapRB=True) return blob, (scale, x_offset, y_offset), frame def postprocess(self, outputs, frame_shape, params): """ 解析网络输出 :param outputs: 网络前向传播输出 :param frame_shape: 原始帧的尺寸 (h, w) :param params: 预处理参数 (scale, x_offset, y_offset) :return: 检测框、置信度、类别ID列表 """ scale, x_offset, y_offset = params original_h, original_w = frame_shape # YOLOv8输出格式为 (1, 84, 8400)，其中84=4(xywh)+80(class prob) predictions = np.squeeze(outputs).T # 转置为(8400, 84) scores = np.max(predictions[:, 4:], axis=1) # 取最大类别置信度 class_ids = np.argmax(predictions[:, 4:], axis=1) # 过滤掉低置信度和非车辆类别的检测 valid_mask = (scores > self.conf_threshold) & np.isin(class_ids, self.vehicle_class_ids) predictions = predictions[valid_mask] scores = scores[valid_mask] class_ids = class_ids[valid_mask] if len(scores) == 0: return [], [], [] # 提取边界框 (cx, cy, w, h) 格式，并映射回原始图像坐标 boxes = predictions[:, :4] # 将中心点坐标从画布坐标转换到原始图像坐标 boxes[:, 0] = (boxes[:, 0] - x_offset) / scale # cx boxes[:, 1] = (boxes[:, 1] - y_offset) / scale # cy boxes[:, 2] /= scale # w boxes[:, 3] /= scale # h # 转换为 (x1, y1, x2, y2) 格式 boxes[:, 0] -= boxes[:, 2] / 2 # x1 = cx - w/2 boxes[:, 1] -= boxes[:, 3] / 2 # y1 = cy - h/2 boxes[:, 2] = boxes[:, 0] + boxes[:, 2] # x2 = x1 + w boxes[:, 3] = boxes[:, 1] + boxes[:, 3] # y2 = y1 + h # 确保坐标不超出图像范围 boxes[:, [0, 2]] = boxes[:, [0, 2]].clip(0, original_w) boxes[:, [1, 3]] = boxes[:, [1, 3]].clip(0, original_h) # 应用非极大值抑制 (NMS) indices = cv2.dnn.NMSBoxes(boxes.tolist(), scores.tolist(), self.conf_threshold, self.nms_threshold) if len(indices) > 0: indices = indices.flatten() return boxes[indices].astype(int), scores[indices], class_ids[indices] else: return [], [], [] def detect(self, frame): """对单帧图像执行检测""" blob, params, original_frame = self.preprocess(frame) self.net.setInput(blob) outputs = self.net.forward() # 前向传播推理 boxes, scores, class_ids = self.postprocess(outputs, frame.shape[:2], params) return boxes, scores, class_ids, original_frame def main(): # 初始化参数 model_path = 'models/yolov8n_sim.onnx' classes_path = 'models/coco.names' conf_thresh = 0.45 # 置信度阈值，可根据场景调整 nms_thresh = 0.5 # NMS阈值 detector = VehicleDetector(model_path, classes_path, conf_thresh, nms_thresh) # 打开摄像头 (0为默认摄像头，或传入视频文件路径) cap = cv2.VideoCapture(0) # 设置摄像头分辨率，降低分辨率可以显著提升帧率 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) if not cap.isOpened(): print("无法打开摄像头") return fps_start_time = time.time() fps_frame_count = 0 fps = 0 print("开始检测，按 'q' 键退出...") while True: ret, frame = cap.read() if not ret: break # 执行检测 boxes, scores, class_ids, _ = detector.detect(frame) # 绘制结果 for box, score, cls_id in zip(boxes, scores, class_ids): x1, y1, x2, y2 = box label = f"{detector.vehicle_class_names[detector.vehicle_class_ids.index(cls_id)]}: {score:.2f}" color = (0, 255, 0) # 绿色框 cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2) cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2) # 计算并显示FPS fps_frame_count += 1 if fps_frame_count >= 30: # 每30帧计算一次平均FPS fps_end_time = time.time() fps = fps_frame_count / (fps_end_time - fps_start_time) fps_start_time = fps_end_time fps_frame_count = 0 cv2.putText(frame, f"FPS: {fps:.2f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) # 显示结果（如果行空板连接了屏幕） cv2.imshow('Vehicle Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() if __name__ == "__main__": main()

5.3 关键代码解析与优化技巧

1. 预处理中的“LetterBox”：代码中preprocess函数实现了LetterBox操作，即保持原图宽高比进行缩放，然后在边缘填充灰色。这比直接拉伸变形（cv2.resize）能更好地保持物体比例，对检测精度有好处。偏移量(x_offset, y_offset)和缩放比scale在后处理中用于将检测框坐标映射回原始图像。

2. 后处理解析：YOLOv8的输出格式需要正确解析。我们只取置信度高于阈值且类别属于车辆的检测结果。cv2.dnn.NMSBoxes用于执行非极大值抑制，消除重叠的冗余框。

3. 性能优化点：

   • 输入分辨率：cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)将摄像头捕获分辨率设为640x480，远低于1080p，这能极大减少需要处理的数据量，是提升帧率最有效的手段。
   • 推理后端：setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)明确使用CPU。虽然行空板有GPU，但OpenCV DNN对ARM Mali GPU的支持通常不如CPU稳定和高效，实测CPU后端更快。
   • FPS计算：采用滑动平均的方式计算FPS，比逐帧计算更平滑、准确。

6. 部署、运行与性能实测

6.1 在行空板上运行

将代码、模型文件(yolov8n_sim.onnx,coco.names)上传到行空板同一目录。安装必要的Python库（主要是numpy，OpenCV的Python绑定在编译时已安装）：

pip3 install numpy

然后运行脚本：

python3 vehicle_detector.py

如果连接了USB摄像头和屏幕，你应该能看到实时检测画面。

6.2 性能实测与瓶颈分析

在我的行空板（H616, 1GB RAM）上，使用640x480的输入分辨率，进行性能测试：

瓶颈分析：

1. CPU算力：这是最主要的瓶颈。YOLO模型的卷积计算非常密集，单帧200ms左右的推理时间决定了理论最高FPS在5左右。
2. 图像显示：如果使用cv2.imshow在本地屏幕上显示，会占用一部分CPU资源。可以通过注释掉显示相关代码，将结果通过网络发送或仅保存日志，来释放这部分资源。
3. 摄像头读流：使用cv2.VideoCapture读取USB摄像头，其本身也有延迟。

优化方向：

• 模型层面：尝试更小的模型，如YOLOv5n，或专门为边缘设备设计的模型（如NanoDet）。
• 量化：将FP32的ONNX模型量化为INT8精度，可以大幅提升推理速度（可能提升2-3倍），但需要OpenCV支持且可能轻微损失精度。
• 多线程：使用生产者-消费者模式，一个线程专门抓取摄像头帧，另一个线程进行检测，可以避免因检测耗时导致的掉帧，使抓帧更流畅。
• 输入分辨率：进一步降低到320x240，速度会更快，但小目标检测能力会下降。

7. 常见问题与排查技巧实录

在实际部署和运行中，你几乎一定会遇到下面这些问题。这里是我踩坑后的经验总结。

7.1 OpenCV导入或运行报错

• 问题：ImportError: No module named 'cv2'
  • 排查：说明Python绑定未正确安装。回到编译步骤，检查CMake输出中关于Python3的部分是否配置正确，特别是PYTHON3_EXECUTABLE,PYTHON3_INCLUDE_DIR等路径。编译安装后，确认/usr/local/lib/python3.9/dist-packages/cv2（具体路径可能不同）目录是否存在，并确保该路径在Python的sys.path中。
• 问题：运行脚本时出现[ERROR:0] global ... CAP_V4L2: can't open camera by index ...
  • 排查：摄像头权限问题。将当前用户加入video组并重启，或直接使用sudo运行脚本（不推荐长期使用）。

  sudo usermod -a -G video $USER # 注销并重新登录生效

• 问题：cv2.dnn.readNetFromONNX加载模型失败，报错关于某些算子不支持。
  • 排查：OpenCV版本可能不支持模型中的某些算子。这就是为什么之前推荐使用onnx-simplifier。确保你加载的是简化后的模型。如果仍不行，尝试使用更早版本的YOLO模型（如YOLOv5）或使用OpenCV更高版本（需重新编译）。

7.2 检测效果不佳

• 问题：检测框乱飞，或者完全检测不到车辆。
  • 排查1 - 预处理/后处理：这是最常见的原因。仔细核对preprocess和postprocess函数中的坐标变换逻辑，特别是缩放、偏移的计算。建议：在代码中临时保存一帧预处理后的canvas图像并查看，确认LetterBox填充是否正确。同时，打印出网络输出的原始predictions形状，确保与代码中的解析逻辑匹配（YOLOv8是(1,84,8400)）。
  • 排查2 - 置信度阈值：conf_threshold设得过高（如0.8）会导致很多检测被过滤掉，设得过低（如0.2）则会出现大量误检。根据实际场景在0.3到0.6之间调整。
  • 排查3 - NMS阈值：nms_threshold控制重叠框的合并程度。值越小，合并越激进。对于车辆这种大目标，可以适当调高（如0.5），避免同一个车被多个框框住。

7.3 帧率过低或卡顿

• 问题：FPS远低于预期（如<1）。
  • 排查1 - 输入源：确认摄像头分辨率是否设置成功。有时cap.set可能不生效，可以在cap.read()后打印frame.shape确认。
  • 排查2 - 系统负载：使用htop命令查看CPU和内存使用情况。确保没有其他大型进程在后台运行。行空板性能有限，后台更新、桌面环境都会占资源。
  • 排查3 - 显示开销：cv2.imshow在远程SSH无图形界面时可能会出错或拖慢速度。可以尝试注释掉显示和cv2.waitKey部分，只做纯检测并打印FPS，看看速度是否提升。如果只是为了部署，可以考虑用无头模式（Headless），不启动图形界面。

7.4 内存不足（OOM）导致程序崩溃

• 问题：运行一段时间后程序崩溃，提示Killed或内存错误。
  • 排查：行空板1GB内存非常紧张。除了优化代码、降低分辨率外，要警惕Python的内存泄漏。确保在循环中没有无意中创建不断增长的大列表或数组。可以使用gc.collect()进行手动垃圾回收（谨慎使用）。最根本的解决办法是升级到2GB内存版本的行空板，体验会好很多。

这个基于行空板和OpenCV的车辆检测装置，从构思到实现，是一个典型的嵌入式AI应用落地过程。它不追求极致的精度和速度，而是在有限的资源下，找到一个可用的平衡点。整个过程里，最深的体会就是“因地制宜”和“权衡取舍”。在资源受限的设备上，每一个选择——从OpenCV的编译选项、模型的大小，到输入图像的分辨率、后处理的参数——都直接关系到最终系统能否跑起来、跑得稳。