1. Ubuntu环境下人流量分析系统搭建实录上周帮连锁便利店客户部署了一套基于Ubuntu的人流量统计系统从摄像头接入到数据分析全流程跑通只用了3天。这套方案最大的优势是硬件成本不到商业系统的1/5而且完全避开了Windows系统的版权问题。今天就把具体实现过程拆解给大家包含我踩过的所有坑和优化技巧。1.1 核心组件选型系统架构采用经典的摄像头边缘计算云端存储模式硬件层普通USB摄像头推荐罗技C920实测夜间效果优于国产型号分析层OpenCV 4.5 YOLOv4-tiny模型在Jetson Nano上能跑25fps存储层SQLite本地缓存 定时同步到MySQL主库可视化Grafana 自研Python看板特别注意Ubuntu 22.04默认的Python 3.10与某些AI框架存在兼容性问题建议新建conda环境使用Python 3.81.2 关键性能优化点在Jetson Nano开发板上测试时原始模型处理速度只有8fps通过以下调整提升到25fps启用TensorRT加速需手动编译OpenCV with CUDA支持cmake -D WITH_CUDAON -D CUDA_ARCH_BIN5.3 ..将视频解码改为硬件加速cap cv2.VideoCapture(0, cv2.CAP_V4L2)限制检测区域ROI减少30%运算量2. 详细部署流程2.1 基础环境配置先解决Ubuntu特有的依赖问题# 必须安装的依赖项 sudo apt install libgtk2.0-dev pkg-config libavcodec-dev libswscale-dev # 解决中文路径问题 export LANGen_US.UTF-82.2 人流检测核心代码使用背景差分法卡尔曼滤波实现class PeopleCounter: def __init__(self): self.bg_subtractor cv2.createBackgroundSubtractorMOG2( history500, varThreshold16, detectShadowsFalse) def process_frame(self, frame): fg_mask self.bg_subtractor.apply(frame) # 形态学处理省略... contours, _ cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return len([c for c in contours if cv2.contourArea(c) 500])2.3 数据持久化方案采用双写策略保证数据可靠性本地SQLite缓存最近1小时数据每5分钟批量同步到云端MySQL断网时自动重试机制指数退避算法3. 踩坑记录与解决方案3.1 摄像头兼容性问题测试过的摄像头中罗技C920即插即用支持MJPG格式某国产摄像头需要手动设置分辨率cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)3.2 时区导致的统计偏差发现凌晨时段数据异常原因是Ubuntu默认UTC时间数据库按本地时间存储解决方法sudo timedatectl set-timezone Asia/Shanghai3.3 内存泄漏排查连续运行3天后进程崩溃通过valgrind检测发现OpenCV的VideoCapture未正确释放解决方法增加析构函数def __del__(self): self.cap.release()4. 性能优化进阶技巧4.1 多进程架构设计采用生产者-消费者模式提升吞吐量from multiprocessing import Queue, Process def detector(input_q, output_q): while True: frame input_q.get() result process_frame(frame) output_q.put(result) # 启动4个worker进程 for i in range(4): Process(targetdetector, args(input_q, output_q)).start()4.2 模型量化加速将YOLOv4-tiny从FP32转为INT8./darknet detector train cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -quantized 1量化后模型大小减少60%推理速度提升35%4.3 温度控制策略Jetson Nano长时间运行会过热降频加装散热风扇必须设置温度阈值sudo /usr/bin/jetson_clocks --fan这套系统在10家门店部署后客户反馈准确率能达到商业系统的90%水平而硬件成本仅需800元/店。最关键的收获是Ubuntu在边缘计算场景下的稳定性远超预期连续运行60天无需重启。