本期聚焦：

前几期我们先后在RV1126B AI视觉套件上跑通了YOLO目标检测和PP-OCR文字识别。本期把镜头对准工业现场最核心的安全管理场景——安全帽检测，用YOLO11模型在边缘端实现实时人员佩戴检测，验证RV1126B在工业AI安防领域的实战能力。

建筑工地上，塔吊和升降机交叉作业，安全帽是最后一道生命防线；电力巡检现场，高压设备周围容不得半点疏忽；仓储物流和工业制造车间，人员密度高、设备运转快。靠安全员肉眼巡查终有死角，罚款单开了一张又一张，事故风险却一点没降。

今天这篇实测，给你一个完全不同的思路——用一台几百块的边缘AI板卡，让摄像头7×24小时自动”查安全”。自动识别每一个人是否按规定佩戴了安全帽，没戴的立刻提醒。

不用云端、不用GPU服务器、不用拉专线。一块RV1126B + 一个摄像头，本地推理，毫秒级响应、离线也能跑。

硬件平台方面，我们继续使用眺望电子的RV1126B AI视觉开放平台套件。这套平台在前面几期已经验证了YOLO系列和PP-OCR的部署能力，从模型转换到摄像头实时推演，链路成熟稳定。

前几期让它学会了”找物体”和”认文字”，今天我们要让它学会”查安全”，我们直接用实测效果说话。

一、模型解析

YOLO11（You Only Look Once 11）是YOLO系列单阶段目标检测架构的最新迭代版本，专为实时检测任务优化设计。它延续了YOLO家族”一次前向推理，同时完成定位与分类”的核心优势，并在网络结构、特征提取效率和精度-速度平衡上做了进一步优化。

对于嵌入式设备而言，YOLO11的轻量化设计让它在RV1126B的NPU上能获得理想的推理性能。模型经过RKNN工具链转换后，可以充分利用芯片内置的AI加速单元，在保持较高检测精度的同时实现实时视频流处理。能在边缘端把安全帽检测跑出实用帧率，意味着这套方案从”实验室Demo”到”现场落地”的距离被大幅缩短。

二、YOLO11安全帽检测实战部署

2.1 统一部署环境

硬件连接与前几期一致。将SC450AI摄像头对准IPC-RV1126B接口底板丝印为J9的MIPI CSI接口，装好POE电源板并接通供电。摄像头就位后，套件板即可通过以太网向外推流，记得确认网线已插牢。（注：摄像头同时兼容IMX415）

软件环境也无需重复造轮子。直接拉取官方仓库：

talowe@ubuntu22:~$ git clone https://github.com/hbt021211-coder/talowe-rv1126b-aidemo

如果所在环境网络不畅，直接用资料里离线包路径在：Core-RV1126B-IPC核心板光盘资料\4-软件资料\3-RV1126B模型应用\talowe-rv1126b-aidemo.zip。解压即用，仓库里已经备好了PP-OCR的预编译RKNN文件和完整例程。

视频预览通道依然走UDP推流。在Ubuntu接收终端提前启动GStreamer管道，窗口先待命：

talowe@ubuntu22:~$ gst-launch-1.0 udpsrc port=5000 ! application/x-rtp,media=video,encoding-name=H264,payload=96 ! rtph264depay ! avdec_h264 ! videoconvert ! autovideosink

2.2 推送应用

进入应用目录中，使用adb命令将安全帽识别应用推送到rv1126b板中，确保adb正常连接。

talowe@ubuntu22:~$ adb push talowe_helmet_detection_cam/cpp/install/rv1126b_linux_aarch64/rknn_helmet_detection_cam/ /userdata/aidemo

推送完成后，/userdata/aidemo/rknn_helmet_detection_cam/ 目录下会包含可执行文件 rknn_helmet_detection_cam 以及存放RKNN模型的 model/ 子目录。目录结构和之前YOLO系列、PP-OCR例程保持统一，进入即可直接运行。

2.3 运行模型应用

进入/userdata/aidemo/rknn_helmet_detection_cam目录中执行如下命令：

root@rv1126b-buildroot: /userdata/aidemo/rknn_helmet_detection_cam# ./rknn_helmet_detection_cam model/helmet_detection.rknn /dev/video31 192.168.0.191

三个参数各司其职：

•model/helmet_detection.rknn — 安全帽检测RKNN模型，负责识别人员及安全帽目标

•/dev/video31 — SC450AI摄像头设备节点

•192.168.0.191 — Ubuntu接收端IP地址，请按实际环境替换

命令执行后，Ubuntu端的GStreamer窗口画面中，每一位进入镜头的人员都会被检测框精准框选——戴了安全帽的标注清晰，未佩戴的也能被准确识别并高亮提示。画面左上角实时显示当前摄像头帧率和NPU推理帧率，性能数据一目了然。

三、结语

从YOLO系列目标检测，到PP-OCR文字识别，再到本期YOLO11安全帽检测——部署流程一脉相承。

眺望电子RV1126B AI视觉开放平台把安全帽检测这类工业安防应用，封装成了和前几期Demo一样简洁的部署体验。对项目开发来说，这意味着从算法验证到工程落地的时间成本被进一步压缩；对工业安全管理来说，这意味着用一套成熟的边缘AI方案替代传统人工巡检，已经触手可及。

若需要完整开发资料或者套件申请，可向眺望电子技术支持联系获取。