v0.4.0 发布不到一周，又肝了 31 个提交。v0.5.0 是一个功能密度很高的版本：ONVIF 全协议支持（Device/Media/PTZ/Imaging/Event 五大服务全覆盖）、硬件转码（H.265 → H.264）、录制器重连优化。127 个文件变更，+24,509 / -730 行。完整更新列表见 GitHub Release Notes。

第 9 章：Rust 使用 YOLO 完整教程 Rust 凭借内存安全、零成本抽象和高性能，适合 YOLO 的生产级部署。在边缘计算、高并发场景下，Rust 的性能优势比较明显。 Rust 生态中 YOLO 相关库介绍 库名 Crates.io 维护状态 适用场景 推荐指数 ort (onnxruntime-rs) v2.0.0 超活跃 ONNX 官方绑定，全平台支持 ⭐⭐⭐⭐⭐ ultralytics-inference v0.0.11 官方维护 Ultralytics 官方 Rust 库 ⭐⭐⭐⭐⭐ tract v0.21.0 活跃 纯 Rust 推理引擎，无外部依赖 ⭐⭐⭐⭐ opencv-rust v0.94.0 活跃 OpenCV 绑定，DNN + 图像处理 ⭐⭐⭐⭐ tch-rs v0.15.0 活跃 LibTorch 绑定，PyTorch 模型 ⭐⭐⭐ candle v0.6.0 超活跃 HuggingFace 纯 Rust ML 框架 ⭐⭐⭐⭐ 各库核心特性对比：

第 8 章：Golang 使用 YOLO 完整教程 Go 语言凭借其高性能、低内存占用、原生并发特性，成为工业级 YOLO 部署的首选语言之一。本章将详细介绍 Go 生态中 YOLO 的完整实现方案。

做运维出身，后来转开发，维护的项目越来越多。各种中间件、数据库、监控组件……每次升级版本都是一场体力活：去官网找下载链接、比对版本号、手动下载到内网、再分发到各台机器。以前写了一堆 Shell 脚本定期拉取最新版本到局域网，能用但不好用——脚本散落在各处，加新软件得手写解析逻辑，出错了也没什么日志可查。

主动降噪系统的工程实现中，最耗时、最依赖经验的部分不是算法选型，而是参数调优和稳定性调试。滤波器阶数、步长系数、采样率——每一个参数都牵一发而动全身。本文从实践经验出发，梳理 ANC 调试中的关键参数选择逻辑和常见问题定位方法。

v0.3.1 发布之后又肝了 196 个提交。v0.4.0 是一个功能密度很高的版本：音频录制管线、多层健康监控引擎、HLS/LL-HLS 播放稳定性优化、UI 大改版。完整更新列表见 GitHub Release Notes。

之前 MiBeeNvr 录的 MP4 文件只有视频轨，播放时是静音的。v0.4.0 补上了这个功能 —— 音频录制。同时新增了更实用的 摄像头健康监控和自动恢复。 录像有声音了 每个摄像头都可以单独开启音频录制：

环境安装问题 Q1: CUDA 不可用，只使用 CPU？ 首先确认 NVIDIA 驱动版本是否支持所需 CUDA 版本，驱动版本过低会导致 CUDA 不可用： bash 1 2 3 4 5 6 # 检查驱动版本（Driver Version 需 >= 支持CUDA的最低版本） nvidia-smi # 检查CUDA工具包版本 nvcc --version # 重新安装对应CUDA版本的PyTorch pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu121 如果 nvidia-smi 显示 CUDA 版本但 PyTorch 仍使用 CPU，说明安装的是 CPU 版 PyTorch。卸载后用 --index-url 重新安装 CUDA 版本。CUDA 11.8 用户将 URL 中的 cu121 替换为 cu118。建议使用 conda 或 venv 虚拟环境隔离不同 CUDA 版本的 PyTorch，避免系统级冲突。

如果你习惯了 Go 的 if err != nil，第一次接触 Rust 的错误处理可能会感到困惑。Go 的哲学是显式多返回值，错误只是普通的值。而 Rust 则将错误提升到了类型系统层面——一个可能出错的函数必须在返回类型中显式声明。这种设计带来了零成本抽象，但也引入了初学者最头疼的两个概念：Result<T, E> 枚举和生命周期标注。

v0.2.0 发布之后又折腾了不少，这次 v0.3.x 带来了几个重量级更新：小米摄像头内置支持、归档录像功能、多协议流媒体架构（WebRTC/HTTP-FLV/RTMP/SRT/LL-HLS），以及一大波安全加固。从外部依赖到内置实现、从单协议到全协议支持的架构演进过程，比我想象的要曲折得多。