检测 / 分割
YOLO 系列管线，覆盖人形、包裹、缺陷与通用目标检测。
面向门铃、IPC、工业检测与服务机器人等场景，盛航特提供可量产的端侧 AI 视觉算法能力：从数据采集、模型训练、量化压缩到 NPU / SoC 板端部署与量产回归，缩短「算法能 demo、硬件难落地」的周期。
算法与 ISP / 传感器链路同团队联调，避免「模型准、画面不稳」的割裂交付。
系统流程
从数据到板端：训推部署全链路
一条可量产的算法交付链路，按资产沉淀到上线拆成六段协同。
-
01
数据采集
场景样本
标注规范 -
02
模型训练
YOLO / MobileNet
检测与分类管线 -
03
量化压缩
INT8 量化
算子适配 -
04
板端部署
NPU / SoC 推理
时延与功耗调优 -
05
影像联调
与 ISP / 传感器
协同验证 -
06
量产回归
版本管理
持续迭代升级
方案组成
四层能力协同
轻量化骨干
MobileNet 等适配 ARM / 低功耗摄像产品，服务分类与特征任务。
量化与部署
INT8 量化、算子适配、板端推理与性能 / 功耗调优。
场景定制
按客户数据与工况迭代，形成可持续升级的模型资产。
实施路径
从需求到量产的六步路径
典型算法项目按阶段推进，确保 Demo 能力可进入固件与量产。
-
1
指标与类别定义
锁定检测类别、准确率、误报率、时延与功耗预算。
-
2
数据与标注规范
采集真实工况样本，统一标注标准与质检流程。
-
3
训练与评估
选型骨干网络，完成训练、验证集评估与坏例分析。
-
4
量化与板端适配
INT8 量化、算子替换，在目标 NPU / SoC 上跑通推理。
-
5
整机联调
与 ISP、事件策略、推流逻辑联调，验证真实门口 / 产线工况。
-
6
量产回归与迭代
模型版本管理、抽检回归与持续微调升级。
落地案例
具体交付：人形 / 包裹识别模型 SHT-A201
将上述训推链路落到门锁、门禁与 IPC 场景的可量产预训模型包。
更多场景
同一套训推能力可延伸的方向
安防 IPC
区域入侵、异常行为辅助，复用门铃同源检测资产。
工业 AOI
缺陷检测模型包，支持客户样本再训练与板端回归。
机器人感知
目标跟随与障碍物辅助，可与多摄 / TOF 方案组合。