起因 之前用 ESP32-S3 做了个监控摄像头，效果还行。后来翻抽屉发现还有一块 AI-Thinker 的 ESP32-CAM 开发板——就是那种十几块钱、自带 OV2640 摄像头和 TF 卡槽的经典板子。手上有就不用浪费，再做一个吧：ai-thinker-esp32-cam。

各版本模型加载与推理 Ultralytics 统一 API（v8/11/26 通用） python 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 from ultralytics import YOLO # ========== YOLOv8 ========== model_v8 = YOLO("yolov8n.pt") # nano model_v8 = YOLO("yolov8s.pt") # small model_v8 = YOLO("yolov8m.pt") # medium model_v8 = YOLO("yolov8l.pt") # large model_v8 = YOLO("yolov8x.pt") # extra large # ========== YOLO11 ========== model_11 = YOLO("yolo11n.pt") # nano model_11 = YOLO("yolo11s.pt") # small model_11 = YOLO("yolo11m.pt") # medium model_11 = YOLO("yolo11l.pt") # large model_11 = YOLO("yolo11x.pt") # extra large # ========== YOLO26 (2026最新) ========== model_26 = YOLO("yolo26n.pt") # nano 推荐边缘部署 model_26 = YOLO("yolo26s.pt") # small model_26 = YOLO("yolo26m.pt") # medium model_26 = YOLO("yolo26l.pt") # large model_26 = YOLO("yolo26x.pt") # extra large 图片检测实战 python 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 from ultralytics import YOLO # 加载模型（以YOLO26为例） model = YOLO("yolo26n.pt") # 单张图片检测 results = model("test.jpg", conf=0.25, iou=0.45) # 结果处理 for result in results: boxes = result.boxes # 检测框 masks = result.masks # 分割掩码 probs = result.probs # 分类概率 # 打印检测结果 for box in boxes: print(f"类别: {result.names[int(box.cls)]}, " f"置信度: {box.conf.item():.3f}, " f"坐标: {box.xyxy.tolist()[0]}") # 保存可视化结果 result.save("result.jpg") 视频检测实战 python 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 from ultralytics import YOLO model = YOLO("yolo26n.pt") # 视频文件检测 results = model.predict( source="input.mp4", save=True, # 保存结果视频 conf=0.3, show=False, # 是否实时显示 stream=True # 流式处理，节省内存 ) # 逐帧处理 for result in results: # 自定义后处理逻辑 pass 摄像头实时检测 python 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 from ultralytics import YOLO import cv2 model = YOLO("yolo26n.pt") # 打开摄像头 cap = cv2.VideoCapture(0) # 0为默认摄像头 while cap.isOpened(): ret, frame = cap.read() if not ret: break # 推理 results = model(frame, verbose=False) # 绘制结果 annotated_frame = results[0].plot() # 显示 cv2.imshow("YOLO Real-time", annotated_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() 各版本代码差异说明 特性 YOLOv8 YOLO11 YOLO26 YOLOv9 YOLOv10 API 统一 ✅ ✅ ✅ ❌ 独立仓库 ❌ 独立仓库 无 NMS ❌ ❌ ✅ ❌ ✅ DFL 模块 ✅ ✅ ❌ 已移除 ✅ ✅ MuSGD 优化器 ❌ ❌ ✅ ❌ ❌ 导出兼容性 良好 良好 最佳 一般 一般 Results 对象 API 详解 model() 或 model.predict() 返回的是一个 Results 对象列表。每个 Results 对象封装了单张图片的所有推理输出。理解其内部结构是进行后续处理的基础。

LMS 算法 自适应滤波的核心问题是：给定参考信号 x(n) 和期望信号 d(n)，找到一个滤波器系数向量 w，使输出 y(n) 逼近 d(n)。 最小均方（Least Mean Square, LMS）算法是解决这个问题最经典的方法，由 Widrow 和 Hoff 在 1960 年提出。核心思路是每次迭代都沿着误差曲面最陡的方向下降一步——也就是随机梯度下降。

上一篇讲了初始配置的搭建过程，这篇记录跑了两周之后的调整：从单供应商扩展到四层模型池、补了降级链路、踩了 GLM-4.5-air 只分析不写代码的坑。 文档包含：降级策略设计、免费模型池完整清单和分析、并发控制配置、GLM-4.5-air 替换方案的决策过程。

家里有好几个摄像头，几台小米，一些自己用 ESP32 搭的，还有多台树莓派 CSI 摄像头。之前一直在用一些云存储方案，但总觉得不放心：厂商绑定、依赖网络、费用还不少。索性自己动手，写了个 NVR 系统，就叫 MiBeeNvr。

📚 学习路径与版本选择建议 版本选择指南 版本 发布时间 开发团队 适用场景 推荐指数 YOLO26 2026.01 Ultralytics 官方 边缘部署、CPU 推理、工业落地 ⭐⭐⭐⭐⭐ YOLOv8 2023.01 Ultralytics 官方 入门学习、生态完善、通用场景 ⭐⭐⭐⭐⭐ YOLO11 2024.09 Ultralytics 官方 效率优化、轻量部署 ⭐⭐⭐⭐ YOLOv10 2024.05 清华大学 研究探索、无 NMS 端到端 ⭐⭐⭐⭐ YOLOv9 2024.01 台湾大学 高精度、小目标检测 ⭐⭐⭐⭐ YOLOv12 2025.02 布法罗大学 + 中科院 注意力机制研究 ⭐⭐⭐ 学习路径建议 入门阶段（1-2 周）：从 YOLOv8 开始，掌握基础概念和 API 使用 进阶阶段（2-3 周）：学习自定义数据集训练、调参优化 实战阶段（2-3 周）：学习模型部署、工程化落地 研究阶段（持续）：探索 YOLO11、YOLO26、YOLOv9/v10/v12 新特性 YOLO 发展历史完整时间线 版本 发布时间 核心创新 里程碑意义 YOLOv1 2015.06 单阶段检测开山之作 实时检测奠基 YOLOv2 2016.12 Batch Normalization、Anchor 精度速度双提升 YOLOv3 2018.04 多尺度检测、残差网络 工业界标准 YOLOv4 2020.04 CSPDarknet、Mosaic 工程化巅峰 YOLOv5 2020.06 PyTorch 框架、易用性 普及度最高 YOLOv7 2022.07 E-ELAN、重参数化 速度精度平衡 YOLOv8 2023.01 C2f、Anchor-Free、统一框架 Ultralytics 统一生态 YOLOv9 2024.01 GELAN、PGI 可编程梯度 训练效率革命 YOLOv10 2024.05 无 NMS、效率-精度权衡 端到端检测 YOLO11 2024.09 架构优化、参数减少 效率优化版本 YOLOv12 2025.02 Area Attention 注意力机制 注意力架构 YOLO26 2026.01 无 DFL、无 NMS、CPU 优化 43% 边缘计算新标准 各版本核心原理与差异对比 Ultralytics 官方主线版本 YOLOv8 核心特性：

相消干涉 主动降噪（ANC）的物理基础是声波的相消干涉。两个频率相同、相位相反的声波叠加后会相互抵消。 原始噪声信号： $$ p_n(t) = A \cos(2\pi ft + \phi) $$ANC 系统生成的反向声波：

起因 家里养了几只鹦鹉，白天上班的时候没人在家，想随时看看它们在干嘛。需求说起来简单：能实时看画面、能录像存下来、最好还能自动备份到 NAS 上。市面上的摄像头要么价格不便宜，要么要装各种 APP 注册账号绑手机号，隐私方面心里没底——我就是想看看鸟，不想把视频传到别人的服务器上。

起因 我在市区不同地方有几个局域网，相互之间大概隔了 10 公里左右。为了让这几个网络能互通，我用 NetBird、ZeroTier、Cloudflare Tunnel 这类工具搭了一套跨地域的虚拟局域网。

为什么换 这个博客之前用的 Hugo NexT，fork 了一份自己做修改。NexT 本身是个功能很全的主题，但在"自己改"这件事上，体验不太行。