400 128 6709
行业新闻
发布时间：2025-08-01
点击次数： 本文介绍通过BML模型部署方式将模型部署到EdgeBoard。先讲BML全功能AI开发平台的优势及与EdgeBoard的适配，再说明在BML上训练安全帽检测模型的步骤，接着阐述准备离线部署模型、EdgeBoard联网操作，最后讲解BML模型部署的编译SDK及测试单张图片预测、HTTP服务部署、视频流预测等效果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
EdgeBoard嵌入式AI解决方案是百度面向嵌入式与边缘计算场景打造的系列软硬件方案。丰富的软硬件选型，可适应多变的场景与边缘部署环境。无缝兼容百度大脑工具平台与算法模型，开发者可轻松上手，集成应用。
在该系列的第一个项目中，我们研究了如何将基于PaddleX训练的自定义模型部署到EdgeBoard，详见：手把手教你用Edgeboard部署模型（一）：PaddleX+YoloV3
在本文中，我们探讨EdgeBoard支持的另一种模型训练、部署方式，BML模型部署。
BML全功能AI开发平台是一个面向企业和个人开发者的机器学习集成开发环境，提供兼具效果与性能的卓越AI开发体验，有高性能的算力支持、强大的数据处理服务、高精度训练效果、丰富完善的开发方案、广泛适配的模型推理服务、全面丰富的交付方案诸多优势，为经典机器学习和深度学习提供了从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务，帮助用户更快的构建、训练和部署模型。与EdgeBoard合作推出软硬一体方案。将EdgeBoard与BML模型深度适配，可应用于工业分拣、视频监控等多种设备端离线计算场景，让离线AI落地更轻松。
虽然是收费平台，但是现在正在搞活动，因此本文的操作其实都可以免费完成，序列号有90天有效期。
这里直接使用了BML官方3日打卡课的教程，不仅包括了如何训练模型，还能免费薅算力
其实仅就这个项目而言，第三步不做也行，不过读者也可以参考，毕竟离线部署的操作和在线部署前面有些类似。
——当然了，还可以领算力卡，操作下也没坏处。
需要注意的是，如果我们想要在EdgeBoard部署BML训练的模型，首先要确保网络结构EdgeBoard可以支持。当然，如果是教程里的示例，EB是可以支持的，具体可以查看支持列表。
这边其实没太多难点，跟着文档一步步走就行。
模型发布完成后，从【服务详情】里点进去，下载SDK获取序列号
如果我们只是要测试下效果，申请个临时的测试序列号就行啦。
最终，我们得到了一个zip格式的SDK压缩包，以及一串序列号。SDK压缩包（文件做了重命名）中内容如下：
EasyEdge/ ├── RES #模型文件│ ├── conf.json │ ├── label_list.txt │ ├── model │ ├── params │ └── preprocess_args.json ├── cpp │ ├── baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.4_gcc7.5_v1.3.2_20250824 # 支持的是旧版软核，本文不用│ └── baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824 │ ├── bin #demo可执行文件│ ├── include #头文件│ │ └── easyedge │ ├── lib #动态库│ ├── src #demo源文件│ │ ├── CMakeLists.txt │ │ ├── cmake │ │ ├── common │ │ ├── demo_image_inference #图像推理demo│ │ ├── demo_serving #http服务demo│ │ └── demo_video_inference #视频推理demo│ └── thirdparty │ └── opencv
应当注意的是，使用BML模型是需要用序列号激活的，激活需要联网——而且还会比对序列号的有效期，所以一定要把EdgeBoard的默认时间改过来。
# 修改系统时间date --set "2025-10-04 20:48:00"
参考EdgeBoard连接外网方式，由于在本文中EdgeBoard是和计算机通过网线直连，因此选择了【通过电脑共享网络】的方式。
EdgeBoard直连电脑的情况下，可以将电脑的无线网络分享给本地连接，如下图更改无线网络连接属性，勾选interface连接共享，此时本地连接ip地址变为192.168.137.1。同时更改EdgeBoard的ip地址也在137网段，更改方法参见EdgeBoard ip地址修改，EdgeBoard更改后重启。 注意：如果电脑在共享属性下没有家庭网络连接的选项，会共享不成功。
sudo ifconfig eth0 192.168.137.254/24 sudo route add default gw 192.168.137.1 eth0echo “nameserver 8.8.8.8” > /etc/resolve.conf
再次查看目前的网络配置
当前位置： edgeboard-183:~# ifconfigeth0 Link encap:Ethernet HWaddr 00:0a:35:ac:c1:db
inet addr:192.168.137.30 Bcast:192.168.137.255 Mask:255.255.255.0
inet6 addr: fe80::20a:35ff:feac:c1db/64 Scope:Link
UP BROADCAST RUNNING MULTICAST DYNAMIC MTU:1500 Metric:1
RX packets:2267 errors:0 dropped:0 overruns:0 frame:0
TX packets:3737 errors:0 dropped:0 overruns:0 carrier:0
collisions:0 txqueuelen:1000
RX bytes:133368 (130.2 KiB) TX bytes:488014 (476.5 KiB)
Interrupt:31
lo Link encap:Local Loopback
inet addr:127.0.0.1 Mask:255.0.0.0
inet6 addr: ::1/128 Scope:Host
UP LOOPBACK RUNNING MTU:65536 Metric:1
RX packets:1159 errors:0 dropped:0 overruns:0 frame:0
TX packets:1159 errors:0 dropped:0 overruns:0 carrier:0
collisions:0 txqueuelen:1000
RX bytes:92488 (90.3 KiB) TX bytes:92488 (90.3 KiB)
确认联网成功
edgeboard-183:~# ping www.baidu.comPING www.baidu.com (163.177.151.110): 56 data bytes 64 bytes from 163.177.151.110: seq=0 ttl=51 time=31.706 ms 64 bytes from 163.177.151.110: seq=1 ttl=51 time=55.466 ms 64 bytes from 163.177.151.110: seq=2 ttl=51 time=35.449 ms 64 bytes from 163.177.151.110: seq=3 ttl=51 time=30.011 ms 64 bytes from 163.177.151.110: seq=4 ttl=51 time=70.884 ms
需要注意的是，以上方法只是临时的，因为重启EdgeBoard后，ip又变回默认设置了。
edgeboard-183:~# ifconfigeth0 Link encap:Ethernet HWaddr 00:0a:35:ac:c1:db
inet addr:192.168.1.254 Bcast:192.168.1.255 Mask:255.255.255.0
inet6 addr: fe80::20a:35ff:feac:c1db/64 Scope:Link
UP BROADCAST RUNNING MULTICAST DYNAMIC MTU:1500 Metric:1
RX packets:205 errors:0 dropped:0 overruns:0 frame:0
TX packets:121 errors:0 dropped:0 overruns:0 carrier:0
collisions:0 txqueuelen:1000
RX bytes:15505 (15.1 KiB) TX bytes:18076 (17.6 KiB)
Interrupt:31
lo Link encap:Local Loopback
inet addr:127.0.0.1 Mask:255.0.0.0
inet6 addr: ::1/128 Scope:Host
UP LOOPBACK RUNNING MTU:65536 Metric:1
RX packets:14 errors:0 dropped:0 overruns:0 frame:0
TX packets:14 errors:0 dropped:0 overruns:0 carrier:0
collisions:0 txqueuelen:1000
RX bytes:1227 (1.1 KiB) TX bytes:1227 (1.1 KiB)
如果读者需要长期使用BML模型，可以修改EdgeBoard网络配置文件/etc/network/interface，本文只是个测试，因此就先用临时方案了。
首先把SDK文件上传到EB，然后重新编译（文档中预编译的方案执行不成功）
注意到，FZ3A这个板卡其实存储空间不大，如果按照上一篇文章的操作，到这里有可能SDK因剩余存储空间不足而上传失败。可以考虑删除旧版软核等文件，释放一下存储。
Openflow
一键极速绘图，赋能行业工作流
88
查看详情
# 解压sdkunzip EasyEdge.zip# 解压tar.gzcd EasyEdge/cpp tar xvf baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824.tar.gz
#进入src目录，cd src mkdir build #创建build文件夹cd build #打开build文件夹rm -rf * #清空build文件夹cmake .. #调用cmake 创建Makefilemake #编译工程
整个编译过程其实花的时间挺短的，很快就成功了。
编译完成后，build文件夹下会产生demo_image_inference、demo_serving、demo_video_inference三个装有对应可执行文件的文件夹，进入对应文件夹目录，执行相应的功能，执行成功任意一个demo，就可以激活成功。
这里的【RES资源文件夹路径】其实就是放模型的那个目录
# 进入build文件夹cd ~/workspace/EasyEdge/cpp/baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824/src/build/demo_image_inference# 设置LD_LIBRARY_PATH为SDK部署包中的lib目录export LD_LIBRARY_PATH=../../lib# 执行easyedge_image_inference {RES资源文件夹路径} {测试图片路径} {序列号}./easyedge_image_inference ../../../../../RES/ ../../../../../RES/1.jpeg "1111-1111-1111-1111"
实际执行效果如下：选用了上一个项目放进去的安全帽检测图片，指定绝对路径预测，部署后会直接在原来路径下生成结果文件。
edgeboard-183:~/workspace/EasyEdge/cpp/baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824/src/build/demo_image_inference# ./easyedge_image_inference ../../../../../RES/ /home/root/workspace/PaddleLiteDemo/res/models/detection/mask-yolov3/img/7bd3af20a5eb1085a9282e65b3a683dc.jpg "0406-DFD4-3DA0-0703"result size : 2 2, helmet, p:0.965438, coordinate: 0.484771, 0.0180491, 0.737253, 0.471222 2, helmet, p:0.91078, coordinate: 0.247744, 0, 0.446785, 0.361257 s*e result image to /home/root/workspace/PaddleLiteDemo/res/models/detection/mask-yolov3/img/7bd3af20a5eb1085a9282e65b3a683dc.jpg.result-cpp.jpg Done
可以将单张图片预测的服务，发布到指定的ip和端口
# 进入build文件夹cd ~/workspace/EasyEdge/cpp/baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824/src/build/demo_serving# ./easyedge_serving {RES资源文件夹路径} {序列号} {host, default 0.0.0.0} {port, default 24401}
./easyedge_serving ../../../RES "1111-1111-1111-1111" 0.0.0.0 24401
./easyedge_serving ../../../../../RES/ "0406-DFD4-3DA0-0703" 0.0.0.0 24401
SDK包含视频推理的demo，如果给一段视频，执行结果会以视频存储的方式将预测出的视频帧保存成build目录下的0.result.mp4文件。
# 进入build文件夹cd ~/workspace/EasyEdge/cpp/baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824/src/build/demo_video_inference# 执行方式：easyedge_image_inference {RES_dir} {video_type} {video_src} {serial_rum}./easyedge_video_inference ../../../../../RES/ 1 /home/root/video.mp4 "1111-1111-1111-1111"
easyedge_image_inference参数定义：
RES_dir ：模型存放目录
video-type：视频类型，1表示本地视频，视频位置写本地视频位置；2表示使用摄像头输入，目前只支持usb免驱摄像头，视频位置写摄像头的index，可在系统中执行ls /dev/video*查看插入的摄像头index，如果是/dev/video2，则视频位置写2。
video_src：视频位置，如果视频类型为1，写本地视频视频位置；如果视频类型为2，写摄像头index。
serial_rum：序列号，如果设备已激活，该参数可选。
注意： demo_video_inference功能暂不支持display，不支持接入minidp显示器实时显示。
不过，这里我们使用的视频流预测，是直接通过外接摄像头实现的。
注意，这里有个坑，如果装了摄像头但是出现Cannot open source: /dev/video0的报错，原因是因为这个摄像头资源被占用了。
抢占资源的就是在前置项目中配置的EdgeBoard管理系统！！！管理系统开机默认启动，如果对摄像头做了配置，一开机管理系统就把摄像头的资源拿走了！！！
最快的解决办法，就是把管理系统摄像头的路径编辑一下，然后重启！（不要删除摄像头，不然以后还得重新配置）
预测效果如下：可以看出，视频流是一帧一帧预测的。
edgeboard-183:~/workspace/EasyEdge/cpp/baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_gcc7.5_v1.3.2_20250824/src/build/demo_video_inference# ./easyedge_video_inference ../../.A0-0703"input fps: 30, width: 640, height: 480 2025-10-06 00:56:13,929 INFO [EasyEdge] 547565068304 ==== frame id: 0 ==== 2025-10-06 00:56:13,929 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.936849, coordinate: 0.265797, 0.303112, 0.595704, 0.854871 2, helmet, p:0.308001, coordinate: 0.246313, 0.32209, 0.608355, 0.883078 2025-10-06 00:56:14,755 INFO [EasyEdge] 547565068304 ==== frame id: 1 ==== 2025-10-06 00:56:14,755 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.936849, coordinate: 0.265797, 0.303112, 0.595704, 0.854871 2, helmet, p:0.308001, coordinate: 0.246313, 0.32209, 0.608355, 0.883078 2025-10-06 00:56:14,898 INFO [EasyEdge] 547565068304 ==== frame id: 2 ==== 2025-10-06 00:56:14,898 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.86643, coordinate: 0.226212, 0.341875, 0.563942, 0.821873 2025-10-06 00:56:15,076 INFO [EasyEdge] 547565068304 ==== frame id: 3 ==== 2025-10-06 00:56:15,076 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.885813, coordinate: 0.211774, 0.33184, 0.562473, 0.858988 2, helmet, p:0.337755, coordinate: 0.193702, 0.275792, 0.589217, 0.817867 2025-10-06 00:56:15,249 INFO [EasyEdge] 547565068304 ==== frame id: 4 ==== 2025-10-06 00:56:15,249 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.887917, coordinate: 0.2062, 0.340431, 0.550655, 0.871187 2, helmet, p:0.277928, coordinate: 0.181167, 0.299305, 0.578772, 0.826651 2025-10-06 00:56:15,415 INFO [EasyEdge] 547565068304 ==== frame id: 5 ==== 2025-10-06 00:56:15,415 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.762959, coordinate: 0.281878, 0.289703, 0.60245, 0.797125 2, helmet, p:0.333646, coordinate: 0.230875, 0.251128, 0.60219, 0.811976 2025-10-06 00:56:15,612 INFO [EasyEdge] 547565068304 ==== frame id: 6 ==== 2025-10-06 00:56:15,612 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.962207, coordinate: 0.273251, 0.282059, 0.586766, 0.821948 2, helmet, p:0.247164, coordinate: 0.240881, 0.232974, 0.580364, 0.793412 2025-10-06 00:56:15,798 INFO [EasyEdge] 547565068304 ==== frame id: 7 ==== 2025-10-06 00:56:15,798 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.91732, coordinate: 0.259767, 0.265151, 0.580276, 0.778973 2, helmet, p:0.295565, coordinate: 0.222856, 0.232002, 0.571475, 0.769648 2025-10-06 00:56:15,971 INFO [EasyEdge] 547565068304 ==== frame id: 8 ==== 2025-10-06 00:56:15,971 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.974546, coordinate: 0.279582, 0.304269, 0.582712, 0.83014 2, helmet, p:0.208045, coordinate: 0.230546, 0.236246, 0.5774, 0.792106 2025-10-06 00:56:16,150 INFO [EasyEdge] 547565068304 ==== frame id: 9 ==== 2025-10-06 00:56:16,150 INFO [EasyEdge] 547565068304 is_needed: true3, head, p:0.979111, coordinate: 0.269361, 0.317251, 0.584749, 0.849518 2, helmet, p:0.223544, coordinate: 0.226171, 0.260796, 0.565521, 0.80769
以上就是手把手教你用Edgeboard部署模型（二）：BML离线部署的详细内容，更多请关注其它相关文章！
# 电脑
# 工具
# ai
# 百度
# fig
# type
# linux
# 洗发水如何搞营销推广呢
# 福州网站建设与维护
# 本溪seo的好方法
# 工程建设标准查询网站
# 灵寿网站建设推广项目名单
# 风控营销推广
# 无锡seo按天付费
# 华文考研网站建设管理
# 西安seo扣费
# 北京求职网站建设
# 文档
# 数据处理
# 就行
# 重启
# 管理系统
# 的是
# 教你用
# 中文网
# 手把手
# 离线
相关栏目：
【
行业新闻62819 】
【
科技资讯67470 】
相关推荐：
消息称 ChatGPT 未来有望增加更多功能：上传文件分析信息，还能记住用户画像
人工智能如何与智能家居集成
北京市通用人工智能产业创新伙伴计划名单公布，京东科技入选“算力伙伴”
【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚
靠游戏更靠AI 英伟达成唯一首季度两位数增长的公司
中国联通发布图文AI大模型，可实现以文生图、视频剪辑
学而思推出AI第一课：基于自研大模型的AIGC课程
人工智能颠覆软件测试四大方式
普渡机器人与变形金刚品牌合作，特别活动爆火，商品售罄！
无人机巡检方案是什么，该如何选择适合的巡检方案
腾讯汤道生：大模型只是起点，产业落地是AI更大的应用场景
pixivFANBOX 更新运营规则，禁止通过外链绕开 AI 生成禁令
央广车联网亮相2025世界人工智能大会
DreamAvatar数字人使用教程
基于信息论的校准技术，CML让多模态机器学习更可靠
Snap宣布研发出新技术 可大幅提升AI生成图像速度
李开复官宣新公司「零一万物」，进军 AI 2.0
Meta Quest订阅服务每月7.99美元畅玩两款VR游戏应用
人工智能大胆预测：银河系至少有2万个地球，36种外星文明
消息称 Meta Quest 将推 VR 游戏订阅：每月 7.99 美元，任选两款
干货满满，2025昆山元宇宙国际装备展等你来打卡！
Transformer六周年：当年连NeurIPS Oral都没拿到，8位作者已创办数家AI独角兽
人工智能加速走进百姓生活：从2025全球人工智能技术大会看行业新趋势
网易云音乐内测上线“私人DJ” 打造AI推荐音乐助手
微软新出热乎论文：Transformer扩展到10亿token
马斯克：将来机器人比人类多！特斯拉机器人亮相人工智能大会
一文读懂自动驾驶的激光雷达与视觉融合感知
阿里达摩院发布免费开放100项AI专利许可的动机是什么？
Vision Pro头显重磅发布；苹果收购AR厂商Mira
探索AI前沿理念 2025全球人工智能技术大会在杭州开幕
构建数字文旅新高地！洛阳涧西区开启元宇宙时代
花16000元买四款扫拖机器人！科沃斯追觅石头小米谁能笑到最后？
首个算网生态体！中国移动元宇宙产业联盟正式成立
发布最新版本的 PICO OS 5.7.0：支持VR头盔录屏并跨平台分享至微信
智能电网技术：提高能源效率和可靠性
探展WAIC |万向区块链杜宇：不存在单一技术的iPhone时刻，Web3.0核心将基于AI+区块链+物联网
《共同的演化》展览启幕，重新思考人类与人工智能关系
本届人工智能大会上的这个“镇馆之宝”，来自长宁企业西井科技！
V社谈AI制作游戏被ban：为确保开发者有素材所有权
全球首款AI裸眼3D平板 国产的售价破万
明略科技发布免费开源TensorBoard.cpp，促进大型模型的预训练工作
WHEE使用教程
研究预测HPC支持的人工智能增长迅速
AMD在AI方面奋起直追，与英伟达的差距缩小了吗？
AI大模型产品集体奔赴高考考场，教育赛道的讯飞星火能赢吗？
喜马拉雅在国际会议挑战赛中突破语音重叠难题斩获第一 加速AI创新
生成式AI爆发，亚马逊云科技持续专注创新，助力企业数字化转型
AI新风口？首个高质量「文生视频」模型Zeroscope引发开源大战：最低8G显存可跑
数据显示：人工智能相关专业热度上升最快 考古、美术、生物医学工程等小众专业火了
Gartner发布中国企业人工智能趋势浪潮3.0
上一篇：
返回列表
