スマート監視AI解析端末は「カメラ＋エッジAIゲートウェイ＋ローカル推論＋アラーム出力」を統合したデバイスであり、リアルタイム動画ストリームの分析（顔認識・異常行動検出・物体カウントなど）をクラウドに依存せずに実現します。本記事では「RK3588開発ボード＋YOLOv8＋USBカメラ」を例に、ハードウェア接続からソフトウェアデプロイまでの一連のフローを手順通りに解説します。すべてのコードは実際のプロジェクトへの移植が可能です。
一、スマート監視AI解析端末の基礎知識（初心者必見）
- 端末の主要構成
スマート監視AI解析端末 = 動画取得モジュール + エッジAI計算モジュール + アラーム出力モジュール + ストレージ/通信モジュール。従来の監視端末との違い：
| 特性 | 従来の監視端末 | スマート監視AI解析端末 |
|---|---|---|
| 主要機能 | 動画録画・リアルタイムプレビュー | 動画録画＋AI認識（顔/物体/行動）＋異常アラーム＋ローカルストレージ |
| 依存条件 | クラウドまたはHDD録画機が必要 | ローカルAI推論でオフラインでも動作可能。アラーム結果のみアップロード |
| 応答速度 | リアルタイム分析なし、手動確認必要 | ローカル推論遅延＜100ms、異常時リアルタイムアラーム |
| 主要コンポーネント | カメラ＋通信モジュール | カメラ＋AI開発ボード（NPU搭載）＋アラーム装置（LED／蜂鳴器） |
- 主要な応用シーン
- 安全監視：オフィス／工場の不正侵入検出、見知らぬ人識別、夜間徘徊警告；
- 工業監視：生産ラインの安全帯未着用検出、機械状態認識；
- 商業監視：店舗客数計測、商品盗難検出、VIP顧客識別；
- 家庭監視：高齢者／子供の活動監視、見知らぬ人侵入アラーム。
- 必修技術スタック
- ハードウェア：NPU搭載AI開発ボード、USB／ネットワークカメラ、アラーム装置（LED／蜂鳴器）、電源；
- オペレーティングシステム：Ubuntu 20.04（開発ボード対応版）；
- AIフレームワーク：Ultralytics YOLOv8（目標検出／行動認識）、OpenCV（動画処理）；
- 開発言語：Python（開発効率）、C++（性能最適化）；
- ストレージ／通信：ローカルSDカード／SSD（アラーム動画保存）、MQTT（アラーム情報クラウド送信）。
二、ハードウェア選定と接続（実践推奨案）
高コストパフォーマンス＋エコシステムが整ったハードウェア組み合わせを優先。初心者向けにはRK3588開発ボード（内蔵NPU、算力十分）を推奨し、産業シーンではJetson Orin Nanoへのグレードアップが可能。
- ハードウェアリスト（初心者向け／産業向け）
| 部品タイプ | 初心者向け構成（予算2000～3000元） | 産業向け構成（予算5000～8000元） |
|---|---|---|
| AI開発ボード | RK3588開発ボード（8GBメモリ、内蔵6TOPS NPU） | 英伟達 Jetson Orin Nano（8GBメモリ、20TOPS NPU） |
| カメラ | USB高解像度カメラ（1080P、MJPGフォーマット対応） | 産業ネットワークカメラ（PoE給電、200万画素、RTSPストリーム対応） |
| アラーム装置 | LEDランプ＋蜂鳴器（GPIO制御） | 音光アラーム装置（RS485インターフェース、産業用防水仕様） |
| ストレージ装置 | 64GB高速SDカード | 512GB NVMe SSD（アラーム動画保存用） |
| 電源 | 12V 5A直流電源（安定供給） | 12V 10A幅広電源（産業電圧変動対応） |
| 補助部品 | ジャンパ線、ブレッドボード、HDMIディスプレイ（デバッグ用） | PoEスイッチ、産業用防水接続ボックス、M12コネクタ |
- ハードウェア接続（RK3588＋USBカメラ例）
（1）主要接続図
| RK3588開発ボードピン | 外付け装置 | 接続説明 |
|---|---|---|
| USB 3.0ポート | USBカメラ | 動画ストリーム伝送（1080P@30fps） |
| GPIO1_1（物理ピン12） | LED正極 | 高電圧でLED点灯（220Ω抵抗で電流制限） |
| GPIO1_2（物理ピン13） | 蜂鳴器正極 | 高電圧で蜂鳴器駆動（1kΩ抵抗直列） |
| GNDピン | LED負極＋蜂鳴器負極 | 共通接地 |
| HDMIポート | ディスプレイ | デバッグ時に動画プレビュー |
| ネットワークポート | ルーター | アラーム情報をインターネットに送信 |
（2）接続注意事項
- GPIOピンは抵抗を直列に接続：LEDは220Ω、蜂鳴器は1kΩ抵抗を使用してピンを保護；
- 電源極性は逆接続しない：開発ボードとカメラの正負極を区別し、逆接続で機器破損；
- 産業環境ではシールド線使用：RS485インターフェース、ネットワークケーブルはEMI対策のためにシールド線を選択。
三、開発環境構築（RK3588＋Ubuntu 20.04例）
- システムインストール
-
RK3588対応のUbuntu 20.04イメージをダウンロード（公式提供の「Ubuntu 20.04 Server with NPUドライバ」を推奨）；
-
Etcherツールでイメージを64GB SDカードに焼印；
-
開発ボードに挿入し、ディスプレイ、キーボード、電源を接続し、起動後初期設定（ユーザー名・パスワード・WiFi設定）を完了。
-
核心依存ライブラリのインストール
SSHで開発ボードに接続（または直接ターミナル操作），以下のコマンドでAIフレームワークとツールライブラリをインストール：
# システム更新
sudo apt update && sudo apt upgrade -y
# 基本依存のインストール
sudo apt install python3-pip python3-numpy python3-opencv git cmake -y
# YOLOv8のインストール（目標検出のコアフレームワーク）
pip3 install ultralytics
# GPIO制御ライブラリのインストール（RK3588専用）
pip3 install rpi-gpio # 不適合の場合：pip3 install gpiod
# MQTT通信ライブラリのインストール（アラーム情報送信用）
pip3 install paho-mqtt
# 動画エンコーディングライブラリのインストール（OpenCVによるカメラ読み込み問題解決）
sudo apt install ffmpeg libavcodec-dev libavformat-dev -y
- 環境確認
以下のコードを実行して、カメラ、YOLOv8、GPIOが正常に動作することを確認：
import cv2
from ultralytics import YOLO
import RPi.GPIO as GPIO
import time
# カメラ確認
cap = cv2.VideoCapture(0) # 0=デフォルトUSBカメラ
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1920)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080)
ret, frame = cap.read()
if ret:
print("カメラ動作正常、画質：", frame.shape)
else:
print("カメラ読み込み失敗！")
cap.release()
# YOLOv8確認
model = YOLO('yolov8n.pt') # 軽量モデル読み込み
results = model(frame) if ret else None
if results:
print("YOLOv8モデル読み込み成功、検出対象数：", len(results[0].boxes))
# GPIO確認
GPIO.setmode(GPIO.BCM)
GPIO.setup(18, GPIO.OUT) # GPIO1_1対応BCM番号18
GPIO.output(18, GPIO.HIGH)
time.sleep(1)
GPIO.output(18, GPIO.LOW)
GPIO.cleanup()
print("GPIO制御正常！")
エラーがない場合、環境構築完了です。
四、主要機能開発（四大モジュール完全コード）
スマート監視AI解析端末の主要機能は「動画取得→AI認識→異常アラーム→データ保存／送信」です。以下に各モジュールの実装コードを紹介します。
- モジュール1：動画取得（USB／ネットワークカメラ）
USBカメラ（初心者向け）とネットワークカメラ（産業向け）をサポートし、動画ストリーム形式を自動適応：
import cv2
import time
class VideoInputHandler:
def __init__(self, source=0, is_rtsp=False):
"""
source：カメラソース（0=USBカメラ、RTSPアドレス=ネットワークカメラ）
is_rtsp：RTSPストリームか否か（産業カメラでよく使われる）
"""
self.is_rtsp = is_rtsp
self.cap = self._initialize_camera(source)
def _initialize_camera(self, source):
"""カメラ初期化"""
cap = cv2.VideoCapture(source)
if self.is_rtsp:
# ネットワークカメラRTSPストリーム設定（遅延低減）
cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)
cap.set(cv2.CAP_PROP_FPS, 30)
else:
# USBカメラ設定（1080P@30fps）
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1920)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080)
cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter_fourcc('MJPG'))
if not cap.isOpened():
raise Exception(f"カメラ初期化失敗！ソース：{source}")
return cap
def get_frame(self):
"""1フレーム取得"""
ret, frame = self.cap.read()
if not ret:
# 一時的な断流対策
time.sleep(0.1)
ret, frame = self.cap.read()
return ret, frame
def release(self):
"""カメラリソース解放"""
self.cap.release()
# テスト：USBカメラ取得
if __name__ == "__main__":
video = VideoInputHandler(source=0, is_rtsp=False)
while True:
ret, frame = video.get_frame()
if ret:
cv2.imshow("Video Capture", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
else:
print("フレーム取得失敗！")
video.release()
cv2.destroyAllWindows()
- モジュール2：AI認識（YOLOv8目標検出／行動認識）
「異常侵入検出」を例に、画面中の「人」を認識し、設定区域外または人数超過でアラームを発生：
from ultralytics import YOLO
import cv2
import numpy as np
class AIDetectionEngine:
def __init__(self, model_path='yolov8n.pt', conf_threshold=0.5):
"""
model_path：YOLOモデルパス（yolov8n=軽量型、yolov8s=高精度型）
conf_threshold：信頼度閾値（低信頼度検出結果フィルタ）
"""
self.model = YOLO(model_path)
self.conf_threshold = conf_threshold
self.class_names = self.model.names # ターゲットカテゴリ名（0=person、1=bicycle等）
def detect(self, frame):
"""目標検出：検出結果（境界框、カテゴリ、信頼度）を返す"""
results = self.model(frame, conf=self.conf_threshold, device=0) # device=0でNPU加速
detections = []
for r in results:
boxes = r.boxes.data.cpu().numpy() # 境界框：[x1,y1,x2,y2,conf,class]
for box in boxes:
x1, y1, x2, y2, conf, cls = box
detections.append({
"class": self.class_names[int(cls)],
"confidence": float(conf),
"bbox": [int(x1), int(y1), int(x2), int(y2)]
})
return detections
def draw_detections(self, frame, detections):
"""検出結果を画面に描画（境界框＋ラベル）"""
for det in detections:
x1, y1, x2, y2 = det["bbox"]
label = f"{det['class']} {det['confidence']:.2f}"
# 境界框描画（赤：人、緑：他のターゲット）
color = (0, 0, 255) if det["class"] == "person" else (0, 255, 0)
cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)
# ラベル背景
cv2.rectangle(frame, (x1, y1-20), (x2, y1), color, -1)
cv2.putText(frame, label, (x1+5, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,255,255), 1)
return frame
def check_abnormal(self, detections, max_person=1, restricted_area=None):
"""
異常検出：
- max_person：最大許容人数
- restricted_area：禁止区域（例：[500,300,1500,800]、即x1=500,y1=300,x2=1500,y2=800）
"""
abnormal = False
abnormal_msg = ""
# 人数統計
person_count = len([d for d in detections if d["class"] == "person"])
if person_count > max_person:
abnormal = True
abnormal_msg = f"人数超過：{person_count}/{max_person}"
# 禁止区域への侵入検出
if restricted_area and person_count > 0:
rx1, ry1, rx2, ry2 = restricted_area
for det in detections:
if det["class"] == "person":
x1, y1, x2, y2 = det["bbox"]
# 境界框と禁止区域の重複判定
if not (x2 > rx2 or y2 > ry2):
abnormal = True
abnormal_msg = f"禁止区域侵入！"
return abnormal, abnormal_msg
# テスト：AI認識と異常検出
if __name__ == "__main__":
video = VideoInputHandler(source=0)
ai_detector = AIDetectionEngine(model_path='yolov8n.pt', conf_threshold=0.5)
restricted_area = [500, 300, 1500, 800] # 禁止区域（実際の画面に応じて調整）
while True:
ret, frame = video.get_frame()
if not ret:
continue
# AI検出
detections = ai_detector.detect(frame)
# 検出結果描画
frame_with_detections = ai_detector.draw_detections(frame, detections)
# 禁止区域描画（赤い点線枠）
cv2.rectangle(frame_with_detections, (restricted_area[0], restricted_area[1]),
(restricted_area[2], restricted_area[3]), (0,0,255), 2, cv2.LINE_AA)
# 異常検出
abnormal, abnormal_msg = ai_detector.check_abnormal(detections, max_person=1, restricted_area=restricted_area)
# 異常メッセージ表示
if abnormal:
cv2.putText(frame_with_detections, abnormal_msg, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)
cv2.imshow("AI Detection", frame_with_detections)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
video.release()
cv2.destroyAllWindows()
- モジュール3：異常アラーム（LED＋蜂鳴器＋動画保存）
異常発生時にローカルの音光アラームを発生させ、アラーム動画を保存（10秒前＋10秒後の映像を含む）：
import RPi.GPIO as GPIO
import cv2
import time
import os
from datetime import datetime
class AlarmSystem:
def __init__(self, led_pin=18, buzzer_pin=13, video_save_path="./alarm_videos"):
"""
led_pin：LED GPIOピン（BCM番号）
buzzer_pin：蜂鳴器GPIOピン（BCM番号）
video_save_path：アラーム動画保存パス
"""
# GPIO初期化
GPIO.setmode(GPIO.BCM)
GPIO.setup(led_pin, GPIO.OUT)
GPIO.setup(buzzer_pin, GPIO.OUT)
self.led_pin = led_pin
self.buzzer_pin = buzzer_pin
# 動画保存初期化
self.video_save_path = video_save_path
if not os.path.exists(video_save_path):
os.makedirs(video_save_path)
# 最近10秒のフレームをキャッシュ（アラーム動画用）
self.frame_buffer = []
self.buffer_size = 300 # 30fps×10秒=300フレーム
def add_frame_to_buffer(self, frame):
"""フレームをバッファに追加"""
self.frame_buffer.append(frame)
if len(self.frame_buffer) > self.buffer_size:
self.frame_buffer.pop(0)
def trigger_alarm(self, duration=5):
"""音光アラームを発生（duration秒間）"""
print(f"アラーム発生！{duration}秒間継続")
for _ in range(duration):
GPIO.output(self.led_pin, GPIO.HIGH)
GPIO.output(self.buzzer_pin, GPIO.HIGH)
time.sleep(0.5)
GPIO.output(self.led_pin, GPIO.LOW)
GPIO.output(self.buzzer_pin, GPIO.LOW)
time.sleep(0.5)
def save_alarm_video(self, abnormal_msg):
"""アラーム動画を保存（キャッシュ10秒＋後続10秒）"""
# 動画ファイル名：時間_異常タイプ.mp4
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
filename = f"{timestamp}_{abnormal_msg.replace(' ', '_')}.mp4"
save_path = os.path.join(self.video_save_path, filename)
# 動画書き込み初期化
fourcc = cv2.VideoWriter_fourcc('mp4v')
height, width = self.frame_buffer[0].shape[:2]
out = cv2.VideoWriter(save_path, fourcc, 30.0, (width, height))
# キャッシュフレーム書き込み
for frame in self.frame_buffer:
out.write(frame)
# さらに10秒間のリアルタイムフレームを取得
cap = cv2.VideoCapture(0)
for _ in range(300):
ret, frame = cap.read()
if ret:
out.write(frame)
time.sleep(1/30)
cap.release()
out.release()
print(f"アラーム動画保存成功：{save_path}")
def cleanup(self):
"""リソース解放"""
GPIO.output(self.led_pin, GPIO.LOW)
GPIO.output(self.buzzer_pin, GPIO.LOW)
GPIO.cleanup()
# テスト：アラームモジュール
if __name__ == "__main__":
alarm = AlarmSystem(led_pin=18, buzzer_pin=13)
video = VideoInputHandler(source=0)
# フレームキャッシュ
for _ in range(300):
ret, frame = video.get_frame()
if ret:
alarm.add_frame_to_buffer(frame)
time.sleep(1/30)
# アラーム発生と動画保存
alarm.trigger_alarm(duration=3)
alarm.save_alarm_video("テストアラーム")
# リソース解放
alarm.cleanup()
video.release()
- モジュール4：データアップロード（MQTT＋クラウドアラーム通知）
アラーム情報（時間、異常タイプ、動画パス）をクラウドプラットフォーム（例：アリババクラウドIoT、ThingsBoard）にアップロード：
import paho.mqtt.client as mqtt
import json
import time
import os
class MQTTUploader:
def __init__(self, broker, port, client_id, username, password, topic="smart_monitor/alarm"):
"""
broker：MQTTサーバーのアドレス
port：MQTTポート（デフォルト1883）
client_id：クライアントID（ユニーク）
username/password：MQTT認証情報
topic：アラーム情報アップロードトピック
"""
self.client = mqtt.Client(client_id=client_id)
self.client.username_pw_set(username, password)
self.broker = broker
self.port = port
self.topic = topic
# 接続コールバック
self.client.on_connect = self._on_connect
self.client.on_disconnect = self._on_disconnect
# MQTTサーバー接続
self.connect()
def _on_connect(self, client, userdata, flags, rc):
if rc == 0:
print("MQTT接続成功")
else:
print(f"MQTT接続失敗、エラーコード：{rc}")
def _on_disconnect(self, client, userdata, rc):
print("MQTT接続切断、再接続中...")
time.sleep(5)
self.connect()
def connect(self):
"""MQTTサーバー接続"""
try:
self.client.connect(self.broker, self.port, keepalive=60)
self.client.loop_start() # バックグラウンドループ開始
except Exception as e:
print(f"MQTT接続異常：{e}")
def upload_alarm(self, abnormal_msg, video_path):
"""アラーム情報アップロード"""
alarm_data = {
"device_id": "smart_monitor_001",
"timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
"abnormal_type": abnormal_msg,
"video_path": video_path,
"status": "alarm"
}
try:
payload = json.dumps(alarm_data)
result = self.client.publish(self.topic, payload, qos=1)
result.wait_for_publish()
if result.is_published():
print(f"アラーム情報アップロード成功：{payload}")
else:
print("アラーム情報アップロード失敗、ローカルにキャッシュ")
self._cache_alarm(alarm_data)
except Exception as e:
print(f"アップロード異常：{e}")
self._cache_alarm(alarm_data)
def _cache_alarm(self, alarm_data):
"""ネットワーク切断時にアラーム情報をローカルにキャッシュ"""
cache_path = "./alarm_cache"
if not os.path.exists(cache_path):
os.makedirs(cache_path)
filename = f"cache_{int(time.time())}.json"
with open(os.path.join(cache_path, filename), 'w') as f:
json.dump(alarm_data, f)
# テスト：MQTTアップロード
if __name__ == "__main__":
# クラウドMQTTパラメータに置き換えてください
mqtt_uploader = MQTTUploader(
broker="mqtt.aliyuncs.com",
port=1883,
client_id="smart_monitor_001",
username="your_username",
password="your_password"
)
# テストアラーム情報アップロード
mqtt_uploader.upload_alarm("テスト異常", "./alarm_videos/test.mp4")
time.sleep(2)
五、実践ケース：オフィス異常侵入検出端末
シナリオ説明
オフィスの終了後（18:00-08:00）、禁止区域（例：会計室入り口）に「人」が検出されると、音光アラームを発生させ、アラーム動画を保存し、クラウドに通知して管理者に連絡します。
完全なフローのコード
import time
from datetime import datetime
from VideoInputHandler import VideoInputHandler
from AIDetectionEngine import AIDetectionEngine
from AlarmSystem import AlarmSystem
from MQTTUploader import MQTTUploader
if __name__ == "__main__":
# 1. 各モジュールの初期化
video = VideoInputHandler(source=0, is_rtsp=False)
ai_detector = AIDetectionEngine(model_path='yolov8n.pt', conf_threshold=0.5)
alarm = AlarmSystem(led_pin=18, buzzer_pin=13)
mqtt_uploader = MQTTUploader(
broker="mqtt.aliyuncs.com",
port=1883,
client_id="smart_monitor_office",
username="your_username",
password="your_password"
)
# 2. パラメータ設定
restricted_area = [500, 300, 1500, 800] # 禁止区域（会計室入り口）
alarm_hours = [18, 8] # アラーム時間帯：18:00-08:00
max_person = 0 # アラーム時間帯内は誰も入ってはいけない
alarm_cooldown = 300 # アラーム冷却時間（5分、重複アラームを防ぐため）
last_alarm_time = 0
try:
print("スマート監視AI解析端末起動成功！")
while True:
# 現在時間を取得
now = datetime.now()
current_hour = now.hour
# アラーム時間帯かどうかを判定
in_alarm_hour = (current_hour >= alarm_hours[0]) or (current_hour < alarm_hours[1])
# 1. 動画取得とキャッシュ
ret, frame = video.get_frame()
if not ret:
time.sleep(0.1)
continue
alarm.add_frame_to_buffer(frame)
# 2. AI認識（アラーム時間帯のみ有効、算力節約）
if in_alarm_hour:
detections = ai_detector.detect(frame)
# 検出結果と禁止区域を描画
frame_with_detections = ai_detector.draw_detections(frame, detections)
cv2.rectangle(frame_with_detections, (restricted_area[0], restricted_area[1]),
(restricted_area[2], restricted_area[3]), (0,0,255), 2, cv2.LINE_AA)
# 異常検出
abnormal, abnormal_msg = ai_detector.check_abnormal(
detections, max_person=max_person, restricted_area=restricted_area
)
# 状態情報表示
status = f"監視中 | 時間帯：{'アラーム時間帯' if in_alarm_hour else '通常時間帯'}"
cv2.putText(frame_with_detections, status, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0,255,0), 2)
if abnormal:
cv2.putText(frame_with_detections, abnormal_msg, (50, 100), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)
# 冷却時間内に再アラームを防ぐ
current_time = time.time()
if current_time - last_alarm_time > alarm_cooldown:
# アラーム発生
alarm.trigger_alarm(duration=5)
# アラーム動画保存
video_path = alarm.save_alarm_video(abnormal_msg)
# クラウドにアップロード
mqtt_uploader.upload_alarm(abnormal_msg, video_path)
last_alarm_time = current_time
else:
# 通常時間帯は監視画面のみ表示
frame_with_detections = frame
status = f"監視中 | 時間帯：通常時間帯"
cv2.putText(frame_with_detections, status, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0,255,0), 2)
# 実時プレビュー（qで終了）
cv2.imshow("Smart Monitor AI Terminal", frame_with_detections)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
except Exception as e:
print(f"端末運行異常：{e}")
finally:
# リソース解放
video.release()
alarm.cleanup()
cv2.destroyAllWindows()
print("スマート監視AI解析端末終了")
デプロイとデバッグ手順
- ハードウェアデプロイ：接続図に従ってカメラ、LED、蜂鳴器を接続し、電源が安定していることを確認してください；
- ソフトウェアデプロイ：
- 全モジュールコードを同一ディレクトリに配置（import文に応じて命名）；
- YOLOv8モデルをダウンロード：
wget ``https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov8n.pt； - MQTTパラメータをクラウドプラットフォームの情報を置き換えてください；
- デバッグテクニック：
- 通常時間帯にカメラとAI認識をテストし、
restricted_area座標を実際の画面に合わせて調整； - 手動で異常を発生させ（禁止区域に入り）、アラームと動画保存が正常かを確認；
htopコマンドでCPU/NPU使用率を監視し、フレートが低ければyolov8n.pt軽量モデルに切り替える。
六、高度な最適化：端末性能と安定性向上
- AI推論フレート向上
- モデル最適化：YOLOv8モデルをINT8形式に量子化（Ultralytics量子化ツールを使用）、推論速度を2倍に向上；
- ハードウェア加速：開発ボードのNPUが正常に動作していることを確認（RK3588は公式NPUドライバをインストール、JetsonはJetPackをインストール）；
- 画像下採样：カメラの解像度を720Pに調整し、AI推論の計算量を削減。
- 安定性向上
- watchdog監視プロセス：
supervisorツールで端末プログラムを監視し、クラッシュした場合は自動再起動； - 電源管理：産業環境では幅広電源を選択し、バックアップバッテリーを追加（停電による監視停止を防ぐ）；
- ストレージ管理：過期したアラーム動画を定期的に削除（30日保存）、SDカード／SSDがいっぱいになるのを防ぐ。
- 拡張機能
- 多カメラ連携：4路ネットワークカメラをサポート（マルチスレッド並列処理）；
- 顔認識：YOLOv8-Faceモデルをロードし、特定人物（従業員／見知らぬ人）を識別；
- クラウド管理プラットフォーム：ThingsBoardに接続し、リモートでパラメータ設定、アラーム記録を確認する。