RK3588 (NPU): YOLOv8s 模型输入 640x640，推理耗时约 15-20ms (50+ FPS)

 树莓派 4B (CPU): 同模型仅能跑 1-2 FPS (基本不可用)。

输入：支持 OpenCV 读取的 RTSP 视频流、USB 摄像头帧

输出：JSON 格式的坐标框 (x, y, w, h) 和置信度。

[授权与转换大坑]

 1. AGPL 协议陷阱：YOLOv8 采用 AGPL-3.0 协议。如果你的项目是交付给甲方的私有化闭源软件，理论上必须开源你的代码或购买 Ultralytics 的商业授权（非常贵）。替代方案：使用 YOLOv5 (GPL) 或 YOLO-NAS，或购买国内第三方重训练并清洗过版权的模型库。

2. NPU 量化精度损失：将 PyTorch 模型 (.pt) 转为 RKNN (.rknn) 进行 Int8 量化时，小目标（如远处的人头、螺丝钉）识别率会下降 10-15%。对策：在转换时开启“混合量化”模式，或者在训练时就引入量化感知训练 (QAT)。