一块微型视觉 AI 模组，本地完成双向过线计数与区域人数统计。
一块十几美元的微型 AI 视觉模组，本地完成双向过线计数与区域人数统计，画面零上云。
低成本统计人员出入与停留、无需昂贵工控机、且现场视频绝对不能外传的场景。
在门口划设一条计数线，实时掌握进店客流与离店趋势，按日生成客流转化漏斗。
在展台重点展品周围划设滞留区域，统计实时停留人数与平均驻足热度，指导现场接待。
用矩形区域检测室内实际是否有人，不依赖打卡和预约系统，释放空挂会议室。
沿走廊与出入口布置进出双向判定，防止人员逆行并统计潮汐通行压力。
一套模组通过一根 USB-C 线连接主机。倾斜俯视安装时建议将跟踪锚点设为框底边中心（脚部），避免误计。
Grove Vision AI V2 模组完成全流程检测、跟踪与计数，结果与预览经 USB-C 串口传至电脑面板或自有系统，全程不经网络与云端。
模组端本地运行 Swift-YOLO 模型，经 USB 串口向电脑面板或上层系统输出结构化数据。
测试基准为 Grove Vision AI Module V2（Himax WE2, Cortex-M55 + Ethos-U55 NPU），输入尺寸 240×240。
| 指标 | 实测数值 | 硬件环境 |
|---|---|---|
| 处理帧率 | 约 13 fps | Grove Vision AI Module V2 (Ethos-U55 NPU) |
| 单帧检测耗时 | 48 ms | Swift-YOLO Nano 192 (INT8 量化) |
| 人体检测精度 | 92.6% mAP | 室内标准测试集 |
| 硬件整机功耗 | < 1.0 W | 5V USB-C 供电 |
| 硬件采购成本 | 约 $16–26 | 相比工控机方案节省 90% 以上成本 |
数据通过 USB 串口以标准 SSCMA JSON 输出，单帧包含检测框列表、越线事件与当前区域总数。
如果锚点设在检测框中心，当人从远处朝摄像头走来时，画面中的检测框会迅速变大，导致中心点在二维画面中向前位移。这个位移可能扫过地面的计数线，触发一次虚假的越线计数。将锚点设为「框底边中心（脚底）」时，锚点紧贴地面，走动轨迹平稳，能消除误判。
会。如果被摄人员背后有朝阳的大玻璃门或明亮落地窗，人体在摄像头中会形成曝光不足的剪影。建议将摄像头安装在侧面稍高处，或调整拍摄角度避开强背光源。
模组输出标准的 SSCMA JSON 文本行。你可以使用 Python（pyserial 库）、Node-RED 的 Serial 节点，或是任何物联网网关读取串口，直接解析每秒送达的 JSON 事件包。
可以。在 Grove Vision AI V2 背面的母座排针上直插一块 XIAO ESP32-S3（预焊排针版），手机连接 XIAO 发出的配网热点（192.168.4.1）配置现场 Wi-Fi 与 MQTT Broker 地址。之后无需电脑，模组独立运算并将越线与在场事件直接发布至 MQTT 或 Home Assistant。
通过 USB 串口输出计数事件与逐帧检测结果（SSCMA JSON）
可选的 MQTT 无线上报（加装 XIAO ESP32-S3 Wi-Fi 扩展），发布越线进出与区域在场人数 JSON
通过 USB-C 连接的 Grove Vision AI Module V2