ShimetaPi软件源-GK7206-shimeta-ai 快速上手
面向零开发经验的板卡用户。只需配网和敲命令，不看代码。
前置条件
| 你需要什么 | 说明 |
|---|---|
| GK7206 板卡 | 已刷好固件，NPU 驱动正常 |
| SD 卡 | 插入板卡，格式化为 FAT32 |
| 网线 | 板卡能连接公网 |
| 板卡调试工具 | 在本站下载workbench |
ssh登录板卡：
修改ip
板卡默认 ip 为 192.168.49.10，由于不同家庭路由器默认ip有区别，这里需要进行ip切换操作实现与板卡的连接：
记录并修改当前电脑网段： 先记录电脑当前网段，win+R输入cmd回车进入命令行输入ipconfig回车如图：
IPv4 地址 . . . . . . . . . . . . : 192.168.49.47则代表当前网段为192.168.49.x接下来进入设置-网络和internet-以太网或WLAN（以当前网络连接方式为准）-IP分配-改为手动-打开ipv4按以下方式填： | ip地址 | 192.168.49.11 | | 子网掩码 | 255.255.255.0 | | 网关 | 192.168.49.1 | | 首选DNS | 4.4.4.4 | 点击保存 接下来进入workbench，点击左侧device tree的 “ + ” 按钮添加设备，输入ip：192.168.49.10点击连接 连接成功后在device tree列表找到设备，鼠标移动到列表卡片会出现齿轮按钮，点击进行IP修改，修改为之前记录的网段，假设你记录的网段为192.168.44.x，板卡ip就改为192.168.44.x 点击保存后等待10秒左右，依然显示修改中，不用管，直接退出workbench，此时已经修改成功 最后一步将电脑网段改回：进入设置-网络和internet-以太网或WLAN（以当前网络连接方式为准）-IP分配-改为自动分配即可
ssh登录（安装workbench的用户可以直接跳过后续所有步骤，直接在workbench即可进行板卡开发以及依赖安装）
# win+R输入cmd打开命令窗口
ssh root@192.168.x.x(替换为自己的板卡ip)
#显示password输入密码123456进入板端
检查 NPU 是否就绪：
ls /dev/npu.0
# 有输出说明没问题，没输出请联系管理员刷固件
安装
首次使用：板卡插入 SD 卡（FAT32 格式）后需先挂载：
mount /dev/mmcblk1p1 /mnt
如果提示
No such file or directory，SD 卡设备可能是mmcblk0p1。用ls /dev/mmc*查看确认。
已有 **/mnt** 的跳过挂载，直接执行安装脚本：
安装方式见“shimeta-ai/AI允许时安装与SVP模型安装”
看到 安装完毕 后继续：
. /mnt/setup.sh
shimeta_infer 图片推理（自训练模型）
安装包自带 YOLOv8n COCO 演示模型和测试图片，先跑一下确认 NPU 正常：
. /mnt/setup.sh
shimeta_infer /mnt/yolov8n_demo.zip /mnt/people.jpg
看到检测结果即表示 NPU 正常。
输出示例：
#开一个新的cmd终端
scp -O root@192.168.49.10:/mnt/people.jpg_output.jpg .
#若有提示输入y回车确认，若无则输入密码123456即可下载检测结果图片到当前工作目录下
检测结果示例：
自训练平台模型使用(用于训练自己的目标检测模型)
平台地址：https://aihub.shimetapi.cn/
把模型平台下发的 .zip 和图片传到板卡（电脑命令行终端输入scp -O "模型文件地址" root@板卡ip:/mnt/ 回车后输入密码123456）
一行命令搞定推理：
shimeta_infer 模型.zip 图片.jpg
示例（使用内置 YOLOv8n demo 模型）：
# 检测图片中的物体（COCO 80 类：人/车/猫/狗等）
shimeta_infer /mnt/yolov8n_demo.zip photo.jpg
# 检测结果太少？降低门槛
shimeta_infer /mnt/yolov8n_demo.zip photo.jpg 0.1
# 重复框太多？提高 NMS
shimeta_infer /mnt/yolov8n_demo.zip photo.jpg 0.25 0.7
摄像头实时推理（自训练模型）
如果板卡接了 SC465SL 摄像头，也可以加载自己的模型进行实时推理：
. /mnt/setup.sh
shimeta_xmm /mnt/yolov8n_demo.zip
conf 和 iou 参数和 shimeta_infer 一样：
shimeta_xmm /mnt/yolov8n_demo.zip 0.1 # 降低门槛
shimeta_xmm /mnt/yolov8n_demo.zip 0.25 0.3 # 减少重复框
注意：需要摄像头硬件连接。如果板卡没有摄像头，请使用
shimeta_infer进行图片推理。
SVP 场景检测（预制模型文件，开箱即用，不支持自训练模型）
shimeta_svp 内置 21 种预编译场景模型，无需训练，首次使用需下载模型包（62MB）：
. /mnt/setup.sh
# 首次使用：下载模型包（约 2 分钟，仅需一次）
# 人/车/宠物 基础检测
shimeta_svp person # 人形检测
shimeta_svp face # 人脸检测
shimeta_svp car # 车辆检测（机动车）
shimeta_svp bike # 非机动车检测（自行车/电动车）
# 进阶场景
shimeta_svp face_emo # 人脸情绪检测（微笑/正常表情）
shimeta_svp dms # 驾驶员犯困监测（闭眼或打哈欠）
shimeta_svp head # 人头数检测
shimeta_svp fire # 火焰/烟雾检测
shimeta_svp person_kp # 人体 17 点关键点
| 类别 | 可用的 task |
|---|---|
| 人 | person person_kp face face_recog face_emo head dms |
| 车 | car bike vehicle plate adas |
| 动物 | pet |
| 安防 | fire fireworks package |
| 综合 | person_car gesture |
| 高精度 | rcnn_person rcnn_car rcnn_pet |
conf、iou、编码格式均可调：
shimeta_svp person 0.1 # 降低门槛多检出
shimeta_svp car 0.5 0.3 # 提高门槛+减少重复框
shimeta_svp face 0.25 0.45 h264 # H264 编码（VLC/ffplay 兼容性更好）
默认 H265 编码。如果 VLC/ffplay 画面花屏或报
Skipping invalid NALU，加h264参数切换为 H264 编码。
shimeta_xmm与shimeta_svp启动后会生成 rtsp://<板卡IP>:554/livestream/0 rtsp视频流，可看到实时检测画面（自带方框标注，硬件画框不消耗 CPU）。
rtsp视频流播放方法：
1. 安装ffmpeg，教程：https://cloud.tencent.com/developer/article/2470274
2. win+r输入cmd打开命令行，输入ffplay rtsp://<板卡IP>:554/livestream/0回车即可（低延迟播放ffplay -fflags nobuffer -flags low_delay -framedrop -rtsp_transport tcp \ rtsp://192.168.49.125/livestream/0）
shimeta_xmm与shimeta_svp 两者都监听 8080，但实现和丰富度完全不同
shimeta_xmm
| 接口 | 方法 | 返回 | 说明 |
|---|---|---|---|
/ |
GET | HTML | 实时面板：视频画面（内嵌 /mjpeg）+ canvas 检测框叠加 + fps/帧数/推理耗时/检出数卡片 + 检测明细表（每 100ms 刷新） |
/mjpeg |
GET | MJPEG 流 | VENC 硬件编码的多帧流，浏览器 <img> 直接用 |
/api/status |
GET | JSON | {"frames","fps","infer_ms","det_count","model","mw","mh","detections":[{"class_id","label","conf","x1","y1","x2","y2"}]}；坐标为 NPU letterbox 坐标（反映射由 shimeta-py 做）；POSE 模型时附加 pose[]（≤8 目标 × 关键点坐标/可见度）；另同步写板端 /tmp/pose_keypoints.json |
/api/snapshot |
GET | JPEG | 当前帧快照（1/15 帧更新，软编码 q50） |
curl http://<IP>:8080/api/status # 检测结果
curl http://<IP>:8080/api/snapshot -o f.jpg
shimeta_svp
| 接口 | 方法 | 返回 |
|---|---|---|
| 任意路径 | GET | 同一份 JSON：{"task","fps","total"} + 按任务类型附加数组 |
任务类型决定附加字段：
- 检测类（
person/car/pet/...）：dets:[{"class","conf","x1..y2"}]（class为 int） - 检测+关键点（
person_kp）：dets[i]内再加kp:[[x,y,s]×17] - 人脸识别（
face_rec）：faces:[{"name","sim","x1..y2"}] - 表情（
emotion）：faces:[{"emotion","conf",...}] - DMS：
dms:[{"fatigue","phone","cigar",...}]+phone_boxes[]+cigar_boxes[]
curl http://<IP>:8080/ # 路径随便写，都返回状态 JSON
注意：没有
/snapshot、/mjpeg或 dashboard（抓帧走 RTSPrtsp://<IP>/livestream/0）。
关键差异速查
| 项目 | shimeta_xmm | shimeta_svp |
|---|---|---|
| 路由 | 4 个（按路径分） | 1 个（不分路径） |
| 抓帧 | /api/snapshot JPEG |
无（RTSP 抽帧） |
| 视频预览 | /mjpeg + dashboard |
仅 RTSP |
| 检测字段名 | detections[].class_id/label |
dets[].class（int，无 label 文本） |
| 标签 | labels.txt / 内置 COCO80 |
内置任务定义 |
SVP vs shimeta_camera 对比
shimeta_svp |
shimeta_camera |
|
|---|---|---|
| 模型 | 内置 33 个预编译模型 | 需自行上传 .xmm.zip |
| 上手 | 一行命令，无需训练 | 需模型平台导出模型 |
| 帧率 | 22-24fps | 15-16fps |
| 画面 | RTSP 流 (VLC/ffplay) | MJPEG WebUI (浏览器) |
| 适用 | 快速体验 / 竞赛演示 | 自定义模型调优 |
卸载
rm -rf /mnt/bin /mnt/lib /mnt/plugins /mnt/setup.sh /mnt/*.xmm /mnt/*.bin
软件源自带yolov8n_demo模型COCO 80 目标检测类别表
| ID | 类别 | ID | 类别 |
|---|---|---|---|
| 0 | person | 40 | wine glass |
| 1 | bicycle | 41 | cup |
| 2 | car | 42 | fork |
| 3 | motorcycle | 43 | knife |
| 4 | airplane | 44 | spoon |
| 5 | bus | 45 | bowl |
| 6 | train | 46 | banana |
| 7 | truck | 47 | apple |
| 8 | boat | 48 | sandwich |
| 9 | traffic light | 49 | orange |
| 10 | fire hydrant | 50 | broccoli |
| 11 | stop sign | 51 | carrot |
| 12 | parking meter | 52 | hot dog |
| 13 | bench | 53 | pizza |
| 14 | bird | 54 | donut |
| 15 | cat | 55 | cake |
| 16 | dog | 56 | chair |
| 17 | horse | 57 | couch |
| 18 | sheep | 58 | potted plant |
| 19 | cow | 59 | bed |
| 20 | elephant | 60 | dining table |
| 21 | bear | 61 | toilet |
| 22 | zebra | 62 | tv |
| 23 | giraffe | 63 | laptop |
| 24 | backpack | 64 | mouse |
| 25 | umbrella | 65 | remote |
| 26 | handbag | 66 | keyboard |
| 27 | tie | 67 | cell phone |
| 28 | suitcase | 68 | microwave |
| 29 | frisbee | 69 | oven |
| 30 | skis | 70 | toaster |
| 31 | snowboard | 71 | sink |
| 32 | sports ball | 72 | refrigerator |
| 33 | kite | 73 | book |
| 34 | baseball bat | 74 | clock |
| 35 | baseball glove | 75 | vase |
| 36 | skateboard | 76 | scissors |
| 37 | surfboard | 77 | teddy bear |
| 38 | tennis racket | 78 | hair drier |
| 39 | bottle | 79 | toothbrush |