企业官网建设流程全解析

做边缘视觉的同行大概都接过这类需求：客户想要一个贴在墙上、断电也能跑、视频绝不出户的跌倒检测盒子。这个需求翻译成技术语言，就是边缘智能跌倒检测——把"人摔倒了"这个判断从云端拉到摄像头旁边那颗小芯片上完成。我这两年反复折腾的一套组合是：YOLOv8n-Pose 出 17 个人体关键点，LSTM 吃关键点时序做动作分类，整条链路跑在 K230D 这类 RISC-V 边缘 AI 模组上，本地出结果，对外只丢一个几十字节的事件 JSON。它能同时解决三件事：画面不出户、断网可用、端到端延迟压到 200ms 以内。适合两类人看：一类是练过一点 YOLO、想把时序动作识别真正落到低成本板子上的算法和嵌入式同学；另一类是只想知道"这条路到底通不通、坑埋在哪"的产品同学。下面我按选型、数据、部署、调参、踩坑的顺序，把这条链路拆开讲透，能抄的地方直接抄。

1. 方案选型：两段式架构是怎么定下来的

1.1 从"检测框宽高比"说起，纯检测路线为什么走不通

最早大家做跌倒检测，思路都很朴素：YOLO 检测出人，算一下框的宽高比，宽大于高就判定为倒地。这个方案我实测过，实验室里跑得挺欢，一进真实场景就崩。原因不复杂——检测框的形状是视角的函数，不是姿态的函数。摄像头装在 2.5 米高的墙角俯拍，一个人正常站立，框本身就偏宽；装在床头平视，人躺床上，框反而可能偏窄。你用一套固定的宽高比阈值，等于把摄像头安装位置硬编码进了模型里，换个房间就得重调。

更要命的是它无法区分"躺"和"摔"。老人午睡两小时，框一直是横的，按宽高比逻辑就是连续跌倒两小时。人在沙发上瘫着、蹲着系鞋带、弯腰捡东西、小孩在地上爬，这些动作的检测框形状都和跌倒高度重叠。我做过一次统计，纯宽高比方案在真实家庭录像上的误报率能到每小时 3 到 5 次，这种产品没人愿意用。所以路走到这里就必须换思路：判断依据不能是"框长什么样"，而必须是"人体骨架在时间轴上是如何变化的"。

1.2 YOLOv8n-Pose 在这套方案里到底承担什么角色

想清楚一件事，YOLOv8n-Pose 在我的方案里不是分类器，它就是个骨架提取器。它不负责判断摔没摔，只负责把画面里的人变成 17 个带置信度的坐标点。输出张量是1×56×8400（以 640 输入为例），56 的构成是 4 个框参数 + 1 个目标置信度 + 17×3 的关键点（x、y、可见度）。

为什么不走 top-down 路线（先检测人框，再裁出来跑 HRNet 之类的高精度姿态模型）？算力账算不过来。top-down 是两次前向，在 K230D 这种量级的芯片上，等于把推理延迟直接翻倍，而且第二次推理的输入尺寸还得跟着人框大小动态变化，端侧做动态 shape 极其难受。bottom-up 的 OpenPose 系方案虽然一次前向搞定，但它的 PAF 后处理在 CPU 上开销不小，小目标漏检也明显。

nano 版 pose 模型单次前向、整图多人、320 输入，是我在精度和延迟之间找到的那个平衡点。它确实有小模型通病：远距离小目标的关键点抖动大、遮挡时可见度掉得厉害。但这个问题在后面时序环节是可以被"熨平"的——单帧抖 3 个像素不要紧，LSTM 看的是 30 帧的整体走势。

还有一个被很多人忽略的点：为什么不用直接的图像分类模型（ResNet 二分类"摔倒/没摔倒"）？因为单帧图像里，"躺在地上"和"躺在床上"在像素层面几乎同构，模型只能去学背景（床、地板、沙发），一换场景立刻失效。分类模型没有时间维度，这是它的死穴。

1.3 LSTM 替代手工阈值的三个理由

有了骨架序列，第二条路是用阈值法：头部 y 坐标低于髋部、躯干与水平面夹角大于 60°、关键点下落速度超过某值，三条同时满足就报警。这套规则我写过，写的时候感觉很聪明，维护的时候很痛苦。

第一，阈值是场景相关的。摄像头高度、俯仰角、人的身高、画面里人的远近，全都会影响归一化后的坐标分布。一个能覆盖 90% 场景的阈值组合，剩下 10% 会让你怀疑人生。

第二，规则越叠越多，最后变成一坨互相打架的 if-else。加了"速度突变"能抓住快摔，但抓不住缓慢滑落式跌倒；加了"躯干角度"能抓住躺地，但把瑜伽下犬式也抓进去了。

第三，规则没法表达"过程"。真摔是一个有明确阶段的过程：失衡、下坠、撞击、静止。这四个阶段之间的时间关系，用阈值描述非常别扭，而 LSTM 天生就是干这个的。它吃的是 30 帧的序列，学的是"从站到倒"这条轨迹的形状，而不是某一个瞬间的截面。

当然阈值法不是完全没用。我在最终方案里保留了一条极简的兜底规则：如果关键点检测整体失效（比如人被大面积遮挡），但画面运动能量突然归零并持续 30 秒，触发一次"低置信度提示"。这条规则不报警，只在日志里打个标，方便回查。这叫"用规则兜底、用模型做主判"。

1.4 K230D 的算力账本与预算分配

选型最后要落到板子上。K230D 这颗芯片的公开规格里，KPU 提供 int8 定点算力，配合双核 RISC-V 主控，属于典型的"算力不大但功耗极低"的类型。具体数字以你手上板子的官方文档为准，我只讲实测口径下我拿到的预算，以及我是怎么分配它的。

这个账本的关键结论是：姿态模型吃掉了 70% 以上的时间，LSTM 几乎不要钱。所以整套系统的优化重心只有两个——把 pose 推理压下来、把姿态模型的输出接口做干净。LSTM 那边你就算把隐藏层从 64 加到 128，端侧也就多一两毫秒，完全不用纠结。

我见过有人一上来就想在板子上跑 640 输入的 pose 模型，觉得分辨率高精度好。实测下来单帧接近 90ms，加上后处理直接掉到 10fps 以下，时序窗口的覆盖时间被拉长到 3 秒以上，反应就迟钝了。320 是这个算力档位上的甜点，再往下 256 会开始丢远距离小目标的关键点。

1.5 这套方案的能力边界，先说清楚

落地之前必须把边界划出来，不然最后验收一定会扯皮。这套方案能覆盖的：单人或多人的室内场景，摄像头固定安装，人的有效像素高度不低于 120px，光照从白天自然光到夜间补光都能工作（但全黑不行）。它对付得了快摔、慢滑、扶墙倒下、床上滚落这几种典型形态。

它覆盖不了的：严重遮挡（比如人在被子下面摔）、极度拥挤的场景（画面里十几个人互相重叠）、剧烈晃动的摄像头（云台、车载）、以及"人摔倒后被家具挡住一半身体"这种。这些情况 pose 模型本身就会丢点，LSTM 拿不到有效序列，再强的分类器也没用。产品侧最好设计成"检测到疑似跌倒 → 本地语音确认 → 无响应再升级告警"的两级流程，用交互来补偿算法的不确定性，这比死磕模型召回率实在得多。

2. 数据与模型：把 17 个关键点变成可判别的时序特征

2.1 数据采集：三类场景缺一不可

跌倒检测的数据集绝对不能只有"跌倒"一种。我带过的一个小组最开始就犯了这个错：找了两个人各摔了 50 次，凑了 100 条正样本，然后随便剪了点走路的视频当负样本。训出来的模型在测试集上 98%，一上真机，人一坐下就报警。原因是负样本的多样性严重不足，模型学到的不是"摔倒"，而是"和那两个人走路姿势不一样"。

我后来的做法是强制三类配比，比例大致 1:3:3。

• 真摔样本：在厚垫子上完成，覆盖向前、向后、侧向、扶墙滑落、从床上滚落。每个受试者至少完成 20 次，总计 10 到 20 人，不同身高体型。摔倒动作要自然，别演得太夸张，真实跌倒往往比演出来的更"软"。
• 近似负样本：这是最关键的一类。蹲下系鞋带、蹲下捡东西、坐沙发、坐椅子、躺床上、躺沙发、做瑜伽、做俯卧撑、爬行、搬重物弯腰。这些动作和跌倒的骨架轨迹局部高度相似，不喂给模型，误报就压不下去。
• 普通负样本：站立、行走、挥手、转身、伸懒腰、打电话。

采集的时候要刻意变换三个变量：摄像头高度（1.5m / 2.2m / 2.8m）、水平距离（2m / 3.5m / 5m）、光照（白天、开灯、只留夜灯）。同一段动作在这九个组合下各采一遍，得到的数据才有泛化性。合成增广也有用——对已有骨架序列做随机旋转 ±15°、整体缩放 0.8~1.2、时间伸缩 0.85~1.15、关键点加高斯噪声（σ=0.01 归一化坐标），能把有效样本量翻三四倍。

注意：增广只在训练集做，验证集必须保留原始分布的样本，否则你测出来的指标全是幻觉。

2.2 关键点序列的清洗与归一化

原始关键点不能直接喂 LSTM，必须做三件事：坐标系归一化、缺失点处理、时间重采样。

坐标系归一化解决的是"人离摄像头远近不同导致坐标尺度不同"的问题。做法是以左右髋关节的中点为原点，以肩中点到髋中点的距离作为尺度因子，把 17 个点全部换算成相对坐标。这样一个人站在 2 米处和 5 米处，只要姿态一样，归一化后的坐标就基本一致。这个设计是整个方案能跨场景复用的核心。

缺失点处理：pose 模型对每个点输出可见度，低于 0.3 的点视为不可靠。我用线性插值补，最多补 5 帧；超过 5 帧连续缺失，直接判定这个窗口无效，不送入 LSTM，宁可少判一次也不要乱判。

时间重采样：摄像头帧率会随负载波动（18~25fps 之间飘），如果直接按帧数切窗口，同一个"2 秒窗口"在不同负载下覆盖的时长不一样，LSTM 学到的时序尺度就乱了。我的做法是按时间戳把所有关键点重采样到固定的 15Hz，窗口长度固定 30 帧，也就是覆盖 2 秒。15Hz 对跌倒这个尺度的动作足够了，人的下坠过程通常在 0.5 到 0.8 秒之间，15Hz 下能采到 8 到 12 个点，足以刻画轨迹。

import numpy as np def normalize_kps(kps, vis, conf_thr=0.3): # kps: (17, 2) 像素坐标; vis: (17,) 可见度 hip = (kps[11] + kps[12]) / 2.0 # 左右髋中点 sho = (kps[5] + kps[6]) / 2.0 # 左右肩中点 scale = np.linalg.norm(sho - hip) if scale < 1e-3: # 防止除零，退回髋宽 scale = np.linalg.norm(kps[11] - kps[12]) + 1e-6 rel = (kps - hip) / scale rel[vis < conf_thr] = np.nan # 标记为缺失 return rel def fill_missing(seq, max_gap=5): # seq: (T, 17, 2)，逐点做线性插值 T = seq.shape[0] for j in range(17): mask = ~np.isnan(seq[:, j, 0]) if mask.sum() < T - max_gap: # 缺太多，整窗作废 return None idx = np.arange(T) for c in range(2): seq[:, j, c] = np.interp(idx, idx[mask], seq[mask, j, c]) return seq def add_velocity(seq): # 一阶差分作为附加特征，捕捉下坠速度 vel = np.diff(seq, axis=0, prepend=seq[:1]) return np.concatenate([seq.reshape(len(seq), -1), vel.reshape(len(seq), -1)], axis=1) # (T, 68)

加上速度特征之后，输入维度从 34 变成 68。这一步是有收益的：跌倒最显著的特征就是躯干下坠的瞬时速度远大于日常动作，而坐标本身不带这个信息。实测加了一阶差分之后，快摔和慢滑的区分度明显提升。

2.3 LSTM 的训练配置与过拟合处理

网络结构别搞复杂，我用的就是最朴素的两层 LSTM 加一个全连接头：

import torch.nn as nn class FallNet(nn.Module): def __init__(self, feat=68, hidden=64, ncls=4): super().__init__() self.lstm = nn.LSTM(feat, hidden, num_layers=2, batch_first=True, dropout=0.3) self.head = nn.Sequential( nn.LayerNorm(hidden), nn.Linear(hidden, 32), nn.ReLU(), nn.Dropout(0.3), nn.Linear(32, ncls)) def forward(self, x): # x: (B, 30, 68) out, _ = self.lstm(x) return self.head(out[:, -1, :]) # 取最后时刻

四个类别：0 正常活动、1 弯腰/蹲下/坐下、2 跌倒、3 躺卧。把"躺卧"单独成一类很重要，因为躺床上、躺沙发上和摔倒后躺地上，骨架形状非常接近，主要靠"进入躺卧状态的过程"来区分。分开建模之后，模型只需要判断"这个躺卧是快进还是慢进"，问题就清晰了。

训练配置上我用 AdamW，学习率 1e-3，余弦退火，batch 64，最多 120 轮，验证集跌倒类 recall 连续 10 轮不涨就早停。损失函数用带类别权重的交叉熵，权重按 1 / 类别频率 反比设置，因为跌倒样本天然少。

这里有个取舍必须说清楚：召回优先于精确率。跌倒漏报的代价远大于误报，所以我会把跌倒类的判定阈值压低到 0.6 左右，让模型"宁可错杀"。误报靠后面的状态机和人工确认流程去消化，漏报没有后悔药。

过拟合在小样本时序任务上非常容易发生，我常用的三招：一是 dropout 0.3 起步；二是权重衰减 1e-4；三是按受试者划分数据集，同一个人不能同时出现在训练和验证里，否则模型会记住这个人的体型和穿衣，指标虚高。

2.4 姿态模型的训练与导出注意事项

自标注的数据量我一般控制在 2000 到 5000 张，关键是覆盖度而不是数量。标注 17 个关键点，遮挡住看不到的点标为不可见而不是随便估个位置，这点非常重要，假装标对了反而污染训练。

训练用 416 输入（训练分辨率可以比部署分辨率高，让模型学到更好的特征，部署时降到 320 精度损失可控），100 轮，数据增强开马赛克和随机缩放，但关掉上下翻转——人体关键点有严格的上下语义，翻转之后头在下脚在上，模型会学歪。水平翻转可以开。

导出 ONNX 的时候有两个坑。第一，不要带 NMS 导出，Ultralytics 默认导出是干净的前向图，一旦你勾了nms=True，图里会多出板端不支持的算子。第二，opset版本别贪新，12 或 13 是兼容性最好的档位，simplify=True打开做一次图简化。

yolo export model=pose_best.pt format=onnx imgsz=416 opset=12 simplify=True

导出后先用 Python 跑一遍推理，确认输出形状是1×56×8400，再进转换环节。这个检查千万别跳，我踩过一次坑：训练脚本里改过关键点数量做实验，忘了改回来，导出之后变成 1×44×8400，直到板端后处理崩了才发现。

3. 部署实操：从训练脚本到板端可跑

3.1 工具链环境与转换流程

onnx 到板端 kmodel 要过一次量化转换。工具链的核心是nncase，命令行方式最稳，别依赖各种封装脚本。我用的流程分三步：读 onnx、配置量化参数、输出 kmodel。

# 1) 生成转换配置 ncc compile pose.onnx pose.kmodel \ --target k230 \ --input-type uint8 \ --input-shape 1,3,320,320 \ --dataset calib/ \ --quant-type int8 \ --inference-type quant

几个参数解释一下。--input-type uint8表示输入张量按 0~255 的 uint8 传，这是端侧最省事的形式，预处理里的归一化会被吸收进量化参数里，板子上不用再做一次 float 除法。--input-shape必须和部署分辨率一致，训练用 416、部署用 320，这一步就要写 320，转换工具会自动做一次输入层的适配。--dataset calib/指向校准图目录，这个目录下面要放 200 到 500 张真实的场景图。

转换完一般会输出一个精度对比报告，重点看余弦相似度和关键点偏移。我实测的经验值是：输出余弦相似度 0.98 以上、关键点平均偏移 5 像素以内，端侧效果基本无损。如果掉到 0.9 以下，先别急着调模型，八成是校准集的问题。

3.2 量化校准集的选择技巧

这一节我要多说两句，因为这是新手最容易糊弄、也是掉点最多的地方。

校准集决定了量化参数（每层的 scale 和 zero point），它的分布必须覆盖你实际运行时见到的输入分布。很多人图省事，直接从训练集里随机抽 100 张，结果训练集全是白天清晰图，实际运行在夜灯下画面噪点大、整体偏暗，量化后的激活值直接饱和，关键点全飘。

我的做法是校准集刻意做成"最差情况采样"：三分之一白天，三分之一开灯夜间，三分之一暗光加运动模糊；场景上要包含远景小人、近景大特写、多人同框；再塞几张极端逆光的。数量 200 张起步，场景复杂度上去了可以到 500 张。

一个很实用的小技巧：校准集里一定要放几张"画面里没人"的空场景图。这类图的激活值分布和有人图差异很大，不放进去会导致背景区域的量化误差偏大，进而产生大量低置信度的伪关键点，后面 NMS 就得靠提高阈值来压，容易误伤真目标。

3.3 板端推理框架：双线程 + 双缓冲

板端软件结构我是这么切的：一个线程专职"取流 + pose 推理 + 后处理"，产出归一化后的关键点；另一个线程专职"维护时序队列 + LSTM 推理 + 状态机"。中间用固定长度的双端队列传递。

这么切的好处是解耦。pose 推理的耗时是波动的（受温控影响），如果单线程串行，LSTM 的输入时间戳就不均匀，时序特征会失真。用队列之后，pose 线程按时间戳写入，LSTM 线程只要保证队列里的数据是按 15Hz 重采样过的就行。

from collections import deque import _thread, time kps_q = deque(maxlen=64) # 关键点队列，容量留够 state = {"fall": False, "prob": 0.0} def pose_worker(): while True: img = cam.snapshot() # 取一帧 inp = preprocess(img, size=(320, 320)) # 硬件缩放 + 定点化 out = kpu.run(inp) # KPU 前向 kps, vis = decode_pose(out) # DFL 解码 + NMS kps_n = normalize_kps(kps, vis) # 归一化 kps_q.append((time.ticks_ms(), kps_n)) # 带时间戳入队 def lstm_worker(): while True: seq = resample_to_15hz(kps_q, window=30) # 重采样到固定频率 if seq is None: time.sleep_ms(20); continue prob = run_lstm(seq) # 端侧定点或 float 均可 update_state_machine(prob) # 见第 4 章 time.sleep_ms(66) # 15Hz 节奏

resample_to_15hz的实现思路是：从队列尾部往回找，找到时间跨度 2 秒的数据，然后按 66.7ms 的间隔做线性插值，凑够 30 个点。不足 2 秒就返回 None，等数据攒够。

后处理里的 DFL 解码值得单独说一下。YOLOv8 pose 的框回归用的是分布焦点损失，输出是每个边 16 个 bin 的 logits，需要做 softmax 后加权求和再乘 stride。这部分如果用框架自带的算子做，在端侧经常跑到 CPU 上还慢，我的做法是直接用原始输出张量，在 CPU 上手写一遍，过程很轻：

def dfl_decode(out, strides=(8, 16, 32), reg_max=16): # out: (1, 56, 8400)，前 4 通道是 DFL 距离，后面是 conf 和 51 个关键点值 dist = out[0, :4 * reg_max, :].reshape(4, reg_max, -1) dist = softmax(dist, axis=1) # 对 16 个 bin 归一化 proj = np.arange(reg_max, dtype=np.float32) dfl = (dist * proj[None, :, None]).sum(axis=1) # (4, 8400) # 后面按 anchor 网格中心展开成 xyxy，再乘 stride，再进 NMS

3.4 时延、帧率与内存的实测数据

同一块板子，不同配置下我跑出来的数据如下（室温 25℃，加 5mm 铝散热片，连续运行 10 分钟取稳定值）：

内存占用上，整条链路常驻在 40MB 量级，其中 kmodel 本身、输入输出张量、Python 运行时各占一块。队列长度设 64 是留了余量的，实际只需要 30 个有效点加几个缓冲。如果你的板子内存更紧，可以把 pose 输出在 C 层直接做完 NMS 再交给 Python，避免大张量在脚本层被复制多次。

4. 误报抑制：单帧判定到状态机的三级过滤

4.1 为什么单帧概率不能直接报警

LSTM 输出的是一个 softmax 概率，如果每帧概率超过 0.6 就报警，一天下来能响几十次。原因在于时序模型的输出在状态切换的边界上会剧烈抖动，人从站到蹲的瞬间，模型可能给出 0.7 的跌倒概率，因为下坠的加速度特征出现了。这只是"像"，不是"是"。

我的做法是三级过滤。

第一级，滑窗投票。不按单帧判，按窗口判。每次 LSTM 输出后，看最近 5 次（约 0.33 秒）的输出里有多少次判为跌倒类，超过 3 次才算"疑似"。这一步把偶发抖动干掉了。

第二级，状态机确认。疑似之后不立即报警，进入"待确认"状态，要求后续 3 秒内持续维持高概率。真正的跌倒，人倒地后会有明显的静止期，骨架变化很小但保持在躺卧位；而蹲下系鞋带的人，两秒后就站起来了。这个持续性是天然的强特征。

第三级，姿态合理性校验。确认前再算一次几何量：当前帧的头、肩、髋三点的 y 坐标是否满足"头接近或低于髋"，躯干是否接近水平。这一步是给模型兜底的，模型再强也可能被特殊体型骗，加一层几何约束能进一步压误报。

三级串下来，我在家庭场景测到的误报率从每小时 3.2 次降到了 0.2 次以内，代价是报警延迟从 0.3 秒增加到 2.5 秒左右。这个代价完全可以接受——跌倒救援的时间窗是按分钟算的，多等两秒换来不扰民，值。

4.2 典型误报场景与对应的特征差异

踩过的坑整理成表，这里每一条都是真实发生过的：

从表里能看出一个共性：真摔的核心特征是"快下坠 + 长静止"，所有相似动作要么缺前半段（慢进入），要么缺后半段（快速恢复）。把这两段特征单独强化出来，误报就能压下去一大截。

我在 LSTM 之后还加了一个轻量的后处理规则，专门抓"静止时长"：维护一个low_motion_frames计数器，当归一化后关键点的整体位移小于阈值时累加，超过 15Hz × 3 秒 = 45 帧就认为是长时间静止。这个计数器和 LSTM 概率做逻辑与，是最终报警的触发条件。

4.3 关键参数表与调参思路

调参不要凭感觉，先定指标再定参数。我把几个核心参数和它们的实际影响列出来：

调参顺序我建议这样：先把阈值定在 0.5 看整体召回和误报，然后把静止确认时长往长调压误报，最后微调时序窗口长度。一次只动一个参数，动完跑一遍固定的测试集（提前录好的 50 段视频，含 10 段真摔、40 段干扰动作），记录下来对比。没有固定测试集的调参就是在赌博。

5. 踩坑实录与排查速查表

5.1 模型转换与量化类问题

问题一：转换成功但板端输出全是 NaN 或常数。九成是预处理没对齐。训练时用的是(x/255 - mean)/std的归一化，导出后量化工具默认按x/255处理，如果模型内部的归一化层被优化掉了，输入分布就偏了。解决办法是训练时就采用简单的x/255归一化，把 mean/std 直接烘进 BN 层，别在推理端做复杂运算。

问题二：关键点整体出现固定的偏移。这是量化误差导致的坐标回归偏差，常见于回归头。可以尝试把校准集换得更全面，或者提高校准集里远景小目标的占比。如果偏移量稳定在 5 像素以内，实际上对 LSTM 影响很小，因为归一化之后这个偏差会被部分抵消，不必强求。

问题三：转换时报某个算子不支持。一般出现在 reshape、concat、slice 这类形状操作上。解决办法是在导出前用onnxsim做一次图优化，把冗余的形状操作合并掉；如果还不行，就在自定义后处理里避开这段计算，把张量原样输出到 CPU 端自己处理。

5.2 运行时与工程类问题

问题四：跑十几分钟就卡顿，帧率断崖式下跌。温控降频，几乎百分百是这个。K230D 这类芯片在高负载下温度上得很快，没有散热措施必然降频。加一块小铝片，或者把外壳设计成金属导热，问题就解决了。同时建议在代码里读一下温度传感器，超过阈值主动降帧率而不是等降频，这样行为更可预期。

问题五：Python 层卡顿导致时间戳不均匀。采集阶段如果用 Python 循环不停 append，GC 一触发就是几十毫秒的抖动。做法是把时间戳在取流那一刻就打上，队列用deque并在 C 层做长度控制；或者在关键路径上避免创建临时对象，复用缓冲区。

问题六：摄像头和 KPU 抢带宽。640×480 的取流如果每帧都做软件缩放，耗时会明显上升。必须用硬件缩放通路，直接让 ISP 输出 320×320，或者用硬件 resize 单元。这一改动往往能省下 5 到 8ms。

5.3 效果类问题

问题七：晚上效果明显变差。低照度下噪点大，pose 模型的关键点置信度整体下降。除了换好一点的补光，我还在预处理加了一步轻量的自动亮度拉伸，按整图直方图的 5% 到 95% 分位数做线性映射，能挽回一部分。但根本上还是要有补光硬件。

问题八：一个人都没检测到却报警了。检查是不是队列里残留了旧数据。deque(maxlen=30)在无人时不会清空，旧的最后几帧会被反复用。解决办法是加一条判断：如果连续 1 秒没有检测到任何有效人体，清空队列并重置状态机。

问题九：模型在实验室好用，到现场就失灵。大概率是摄像头安装位置差异太大。建议在现场重新采 5 分钟的空跑数据，把关键点分布打出来看看，确认归一化后的骨盆位置、肩髋距离的分布有没有超出训练集范围。如果分布偏移明显，用几段现场数据做一次微调（只训练分类头，冻结 pose 模型）就能拉回来。

5.4 一张表带走的排查顺序

排查的核心原则是自底向上：先确认最底层的数据（关键点）对不对，再看中间的时序特征，最后才怀疑模型和参数。太多人一上来就怀疑模型，折腾半天最后发现是摄像头没对焦。

6. 我个人在这套方案上的几点体会

做了这么久边缘端的动作识别，最深的感受是：模型在整条链路里的重要性，比想象的低。这套系统里，pose 模型决定了上限，LSTM 决定了判别的细腻程度，但真正决定能不能产品化的，是归一化方式、时间戳一致性、校准集质量、状态机设计这些"不上台面"的工程细节。我见过太多人把精力全砸在换更大的模型、堆更多层 LSTM 上，最后卡在端侧时序抖动这个坑里出不来。

另一个体会是要先建测试集再调参。我现在的习惯是项目一开始就先录 50 段固定视频，定好评估口径（误报次数每小时、跌倒召回率、平均报警延迟），后面每改一版就回归一次。没有这个，你改任何参数都是凭直觉，改着改着就不知道自己在优化什么了。

最后分享一个小的延伸方向：这套"骨架提取 + 时序分类"的骨架其实可以复用。换个数据集，同一套端侧框架能做久坐提醒、能做起身困难识别、能做异常步态筛查。把 LSTM 换成 TCN 或者轻量 Transformer，在同样算力预算下还能再榨一点精度出来。不过先把基础版本跑稳，再谈这些——端侧项目里，能稳定跑三个月不出问题的简陋方案，永远好过一个只在实验室惊艳的复杂方案。