命令指南

运行后台服务 ./build/media-server -c configs/test_face_det_zoned_only.json

[在windows上安装ffmpeg]

打开 PowerShell 或 CMD，执行： winget install Gyan.FFmpeg
安装完成后，关闭并重新打开终端，验证： ffmpeg -version

-查看本地摄像头信息 ffmpeg -list_devices true -f dshow -i dummy 查看分辨率 ffmpeg -f dshow -list_options true -i video="你的摄像头名称"

ffmpeg -f dshow -list_options true -i video="HD Webcam eMeet C960"

本地运行RTSP服务器 mediamtx.exe
推流到RTSP服务器（设置摄像头的分辨率为720P） ffmpeg -f dshow -rtbufsize 100M -video_size 1280x720 -framerate 30 -vcodec mjpeg -i video="4K AutoFocus Webcam" -c:v libx264 -preset ultrafast -pix_fmt yuv420p -f rtsp rtsp://localhost:8554/cam

ffmpeg -f dshow -rtbufsize 100M -video_size 1920x1080 -framerate 30 -vcodec mjpeg -i video="HD Webcam eMeet C960" -c:v libx264 -preset ultrafast -pix_fmt yuv420p -f rtsp rtsp://localhost:8554/cam

ffmpeg -re -stream_loop -1 -i 行人.flv -c copy -rtsp_transport tcp -f rtsp rtsp://10.0.0.49:8554/cam

ffmpeg -re -stream_loop -1 -i 监控.mp4 -c copy -rtsp_transport tcp -f rtsp rtsp://10.0.0.49:8554/cam

ffmpeg -stream_loop -1 -re -i "boots.mp4" -c:v libx264 -preset fast -tune zerolatency -r 30 -f rtsp -rtsp_transport tcp rtsp://localhost:8554/cam

ffmpeg -re -stream_loop -1 -i reg_001_单人_侧面_黑色鞋_1.mp4 -c copy -rtsp_transport tcp -f rtsp rtsp://10.0.0.49:8554/cam

本地验证RTSP拉流正确 ffplay rtsp://localhost:8554/cam

在3588上测试RTSP输出 ffplay rtsp://localhost:8555/live/cam1

查看HLC输出 http://10.0.0.50:9000/hls_player.html

在 Windows 上用 VLC 播放处理后的流： rtsp://10.0.0.50:8555/live/cam1
编译agent go build -o rk3588-agent_linux_arm64 ./cmd/rk3588-agent
运行模拟告警服务 python .\mock_alarm_server.py 或 uv run --with flask scripts/mock_alarm_server.py
运行minio C:\Users\Tellme\minio\minio.exe server C:\Users\Tellme\minio\myminio --address ":9000" --console-address ":9001"

然后在 RK3588 上测试 token 接口： curl -X POST http://10.0.0.49:8080/api/getToken

运行后台管理服务 go run .\cmd\managerd\main.go .\managerd.json

综合监控（运行脚本）

~/apps/OrangePi3588Media/scripts/ops.sh hw

标准单路全流程测试： ./build/media-server -c configs/sample_cam_ppe12.json
5路全流程压力测试 ./build/media-server --config configs/stress_5ch_stretch.json
PT模型转RKNN

在Linux系统上，先克隆RKNN修改后的项目到本地： https://gitcode.com/GitHub_Trending/ul/ultralytics

安装依赖: pip install -e . rknn-toolkit2 pip install "onnx==1.16.1"

激活python环境 source ./venv_rknn/bin/activate

进入模型目录，执行： yolo export model=yolov8s_ppe.pt format=rknn name=rk3588

插件可以通过以下方式构建（以ai_face_det_zoned为例）： cmake --build build --target ai_face_det_zoned

2.9 KiB Raw Blame History Unescape Escape

命令指南

综合监控（运行脚本）

2.9 KiB

Raw Blame History