AI Playground¶
Copyright © Quectel Wireless Solutions Co., Ltd. 2026. All rights reserved.
简介¶
AI Playground用户体验平台 旨在为行业用户提供"开箱即用"的软硬一体化AI功能体验。无论是个人开发者还是企业创新团队，AI Playground都能提供全链路支持，让复杂的AI技术高效转化为可落地的实践路径，加速AI创新与产品化进程。
本节主要介绍 移远通信（Quectel）AI 算法 SDK 在 RK3576 M2 Linux平台 的集成部署指南，涵盖人体关键点检测、人脸属性检测、人脸识别三类算法，帮助开发者快速了解与应用部署移远AI算法。
集成的算法服务¶
算法类型 |
功能描述 |
SDK |
|---|---|---|
人体关键点检测 |
人体17关键点 + 坐姿姿态检测（托腮/低头趴桌/高低肩） |
PeopleKptDet |
人脸属性检测 |
人脸检测 + 情绪/年龄/性别分类 |
facial_attributes_detection |
人脸识别 |
人脸检测/关键点/特征提取与比对 |
face-sample（rknn-2.3.2） |
部署前准备¶
开发环境要求¶
项目 |
要求 |
|---|---|
开发板 |
Quectel PI M2 RK3576 Board |
操作系统 |
Ubuntu 20.04+ / Debian（aarch64，glibc 2.31+） |
NPU |
RK3576 内置 6 TOPS（驱动 v0.9.8） |
RKNN 运行时 |
librknnrt.so 2.3.2（SDK 自带） |
推理引擎 |
ModelInfer（libinference.so，SDK 自带） |
连接方式 |
adb（板子已 root） |
注： 三个 SDK 均为移远交付的动态库包（lib/*.so + 3rd_party/ + models/ + demo），解压即可用，无需编译。
算法一：人体关键点检测（PeopleKptDet）¶
SDK 概述¶
人体关键点检测 + 坐姿姿态检测 SDK v1.2（RK3576 Ubuntu aarch64）。检测图像中人体 17 个关键点，并分析坐姿姿态：托腮（CHEEK_SUPPORT）、低头趴桌（HEAD_BOWING_BEND_ON_DESK）、高低肩（UNBALANCED_SHOULDER）。推理基于 ModelInfer + RKNN NPU。
运行（板端实测）¶
adb push PeopleKptDet_RK3576 /data/local/tmp/
cd /data/local/tmp/PeopleKptDet_RK3576
export LD_LIBRARY_PATH=$PWD/lib:$PWD/3rd_party/modelinfer:$PWD/3rd_party/rknn:$PWD/3rd_party/jsoncpp/lib:$PWD/3rd_party/opencv/lib
./demo images/frame_1.jpg 0.25 0.45
实测结果（2026-09-01，RK3576 M2）¶
测试图 |
检测结果 |
关键点 |
耗时 |
|---|---|---|---|
frame_1.jpg |
CHEEK_SUPPORT（托腮） |
17 |
25.17 ms |
frame_2.jpg |
HEAD_BOWING（低头趴桌） |
17 |
25.19 ms |
frame_3.jpg |
UNBALANCED_SHOULDER（高低肩） |
17 |
25.22 ms |
检测效果：
接口要点¶
init(model, license, module=3, auth_code)：RK3576 传 module=3（DEV_RK3576）
inference(BGR图像, rows, cols, ch, PoseFrameResult)：返回人体框 + 17 关键点 + 姿态结果
授权：正式授权码 或 30 分钟试用（不传码）
算法二：人脸属性检测（facial_attributes_detection）¶
SDK 概述¶
人脸属性检测 SDK v1.2（RK3576 Ubuntu aarch64）。WiderFace 人脸检测 + FER 情绪/年龄/性别分类，单进程级联：一张 BGR 图像 → 检测全部人脸 → 逐张裁剪 → FER 分类 → 每张脸 emotion/gender/age 三路结果。推理基于 ModelInfer + RKNN NPU。
运行（板端实测）¶
adb push facial_attributes_detection_RK3576 /data/local/tmp/
cd /data/local/tmp/facial_attributes_detection_RK3576
export LD_LIBRARY_PATH=$PWD/lib:$PWD/3rd_party/modelinfer:$PWD/3rd_party/rknn:$PWD/3rd_party/opencv/lib
./demo images/input.jpg 0.25 0.20
实测结果（2026-09-01，RK3576 M2）¶
inference ret=0 faces=1
face[0] box=[400.0,111.5,164.0,196.8] det=0.793 emotion=happy(0.537) gender=female(0.743) age=32
save_result: outputs/input.jpg_detected.jpg + outputs/input.jpg.json
检测效果：
接口要点¶
init(model1=widerface人脸检测, model2=FER分类, module, auth_code)
inference(BGR图像, FaceContext)：返回每张脸 box + emotion/gender/age
模块标识：FAD_MODULE_RK3576=3
算法三：人脸识别（rknn-2.3.2-linux / face-sample）¶
算法概述¶
移远自研人脸识别算法：多尺度检测网络 + 21 个动态关键点定位 + 特征提取，确保复杂场景（遮挡/多姿态/低光照）下的高鲁棒性。轻量化网络结构，单帧处理 <50ms，准确率可达 99.5%，支持 10000 张人脸底库。基于 RKNN 2.3.2。
运行（板端实测）¶
adb push rknn-2.3.2-linux /data/local/tmp/
cd /data/local/tmp/rknn-2.3.2-linux
export LD_LIBRARY_PATH=$PWD/lib
./face-sample ./model/rknn/RK3576/facedet_512_q_3576_enc.rknn \
./model/rknn/RK3576/facelandmark_q_3576_enc.rknn \
./model/rknn/RK3576/facereg_l_q_3576_enc.rknn \
facedb/ ./image/02.jpg
运行参数： 参数1人脸检测模型，参数2关键点模型，参数3识别模型，参数4人脸库目录，参数5待检测图片。
实测结果（2026-09-01，RK3576 M2）¶
Face SDK version: V3.0.0
FaceRecognizer: model init success. (3 个模型加载成功)
Face num: 1, filename: facedb/01.jpg, run time: 58.5 ms
Face num: 1, filename: facedb/02.jpg, run time: 49.1 ms
Face num: 1, filename: facedb/03.jpg, run time: 48.7 ms
Face num: 1, filename: facedb/04.png, run time: 84.4 ms
preson num is: 4
face size = 3, time = 100.19ms
id: -1 score: 0.206
id: 0 score: 0.902
id: 2 score: 0.716
结果解析： 底库注册 4 人（48~84ms/张），测试图检测 3 张脸，其中 id=0 相似度 90.2%、id=2 相似度 71.6% 匹配成功，id=-1 为未注册人脸。
识别效果：
接口要点¶
授权：需要授权文件（face_license.ini）+ 联网授权（SLAS SDK V2.2.7），授权失败时功能仍可运行
支持底库：10000 张人脸
Demo 演示¶
三个 SDK 均提供预编译 demo 程序，命令行一键运行（见各算法实测章节）。
人体关键点检测：./demo images/frame_1.jpg 0.25 0.45 → outputs/frame_1_detected.jpg（绿框+红关键点+姿态文本）
人脸属性检测：./demo images/input.jpg 0.25 0.20 → outputs/output.jpg（人脸框+属性标注）
人脸识别：./face-sample <三模型> facedb/ <图片> → result.jpg（识别标注）
常见问题排查¶
问题 |
可能原因 |
解决方案 |
|---|---|---|
libopencv_core.so.4.2 找不到 |
OpenCV 库路径未设置 |
export LD_LIBRARY_PATH 包含 3rd_party/opencv/lib |
init 返回 -1 |
授权码错误/模型路径不对 |
检查授权码与模型路径 |
30 分钟试用到期 |
未传授权码 |
传入正式授权码 |
人脸识别授权失败（100010） |
需联网授权/授权文件缺失 |
联网验证或配置 face_license.ini |
推理慢 |
NPU 未定频 |
NPU 定频 950MHz（见 NPU 使用指南） |
更多算法，尽在AlgoStore算法超市¶
AlgoStore算法超市¶
AlgoStore算法超市简介¶
AlgoStore算法超市是由移远通信（Quectel）开发的一站式AI算法服务平台。作为一站式AIoT算法平台，AlgoStore就像一个汇聚丰富前沿AI算法的"超级市场"，凭借强大的算法适配能力、便捷的算法定制服务和完善的AIoT生态体系，让企业和开发者能够像"选购商品"般轻松获取合适的AI算法，助力其破解业务难题的同时，驱动产品加速创新。
核心特性¶
算法领先：汇聚了包括视觉、音频等多领域的先进AI算法，以上的核心算法经客户实际项目验证，并且不断迭代创新。
硬件适配：算法全面覆盖Qualcomm、Unisoc、Rockchip、MediaTek等主流芯片，消除选型顾虑。
深度定制：全球化布局与客户服务网络，针对差异化业务需求提供深度定制化服务，打造专属解决方案。
联系我们¶
若想要获取更多算法体验或者获取算法集成SDK，请前往官网联系我们！
AIDE开发工具链¶
AIDE开发工具链简介¶
移远通信一站式 AI 开发工具链 AIDE（AI Development Tools & Engines）是面向AI应用开发者和端侧设备厂商的一站式开发工具链平台，核心覆盖"模型转换 - 优化- 端侧推理"全链路，旨在解决 多模型格式适配难、多硬件平台兼容复杂、端侧推理性能不足 三大核心痛点，加速 AI 模型从训练完成到业务落地的周期。
核心模块¶
ModelForge AI模型转换与优化工具：支持多种主流模型格式上传与多芯片平台。通过通道量化、位宽量化、模型校准等多元量化优化技术，实现模型轻量化压缩与推理效率跃升，打造更适配各类智能终端场景的端侧部署模型，确保转换后模型精度与性能双达标。
ModelInfer AI推理引擎：深度适配CPU/GPU/NPU异构计算单元，支持多计算单元协同推理，显著降低延迟、提升硬件资源利用率，缩短从模型算法研发到应用落地的周期。
模型转换与部署¶
本节将通过示例演示将 mobilenet v3 的模型转化到端侧部署全过程。
模型转换¶
模型上传
登录AI开放平台，选择AI开发工具链。在源模型界面选择合适的模型格式，然后点击同意隐私协议和使用条款。上传模型并等待完成。
选择目标硬件
在目标硬件平台依次选择合适的目标硬件平台，芯片平台以及推理引擎。
模型配置
在模型配置界面可以设置模型名称，输入尺寸会根据上传模型自动获取，也可根据实际需求设置。
模型量化可以减少模型大小并提升推理速度，但是会降低准确率。开启模型量化后，会出现如下量化参数界面。量化方法中可以选择是否启用通道优化，以进一步减小模型大小。接下来可以选择量化位宽，根据实际模型去设置输入的均值和方差。最后选择校准数据集，默认使用COCO数据集，也可以选择自定义数据集然后上传自己的校准数据集。
确认配置
接下来将会展示模型转换的信息，确认无误就可以进行模型转换，如果有修改可以点击上一步进行修改。
模型转换
模型转换成功后，可以点击按钮即可下载模型。
部署示例¶
cmake集成
由于ModelInfer SDK已经配置了集成的config.cmake，方便我们进行集成。我们只需要CMakeLists.txt文件中设置ModelInfer SDK的路径，通过find_package查找推理引擎SDK包，包含头文件，定义以及链接库文件即可以完成cmake集成，如下所示：
cmake_minimum_required(VERSION 3.1)
project(MODEL_INFER_TEST)
set(CMAKE_CXX_STANDARD 14)
set(OpenCV_DIR "${CMAKE_CURRENT_SOURCE_DIR}/third_party/OpenCV-android-sdk/sdk/native/jni")
find_package(OpenCV REQUIRED)
find_library(log-lib log)
set(ModelInfer_DIR ${CMAKE_CURRENT_SOURCE_DIR}/model_infer_sdk/0.0.1/Android_aarch64_Release_Q)
find_package(ModelInfer REQUIRED)
include_directories(${ModelInfer_INCLUDE_DIRS})
add_definitions(${ModelInfer_DEFINITIONS})
include_directories(${OpenCV_INCLUDE_DIRS})
add_executable(${PROJECT_NAME} main.cc)
target_link_libraries(${PROJECT_NAME} ${ModelInfer_LIBRARIES} ${OpenCV_LIBRARIES} log)
SDK使用示例
本例以mobilenet分类算法部署的详细说明使用。
包含头文件：
#include "model_inference.hpp"
首先需要声明推理引擎，本例中使用的是QnnEngine，通过认证函数Authenticate后方可以使用推理引擎，通过调用Init函数来进行初始化，需要注意的是通过模型转换平台下载的模型均已经加密，所以Init第二个参数需要设置true。然后准备模型输入输出参数，ModelInfer引擎均支持多头输入输出。推理引擎并不会创建以及管理内存，所有的输入输出buffer的内存创建、管理以及释放需要由使用者进行操作。最后通过调用Inference函数即可完成一次推理操作。
编译运行
通过cmake编译出可以执行程序，push到终端设备上进行运行，可以获得结果。
adb shell "cd /data/local/tmp/model_infer_demo/ && chmod +x ./MODEL_INFER_TEST && export LD_LIBRARY_PATH=/data/local/tmp/model_infer_demo/:$LD_LIBRARY_PATH && ./MODEL_INFER_TEST ./mobilenetv3_ctx.bin ./20260204-101425.jpg"
init success
Top-5 Predictions:
Class ID: 340, Probability: 0.0700765, Class Name: zebra
Class ID: 396, Probability: 0.0140236, Class Name: lionfish
Class ID: 117, Probability: 0.0109065, Class Name: chambered nautilus
Class ID: 506, Probability: 0.0106358, Class Name: coil
Class ID: 56, Probability: 0.00643312, Class Name: king snake