颠覆传统：本地化深度学习的边缘革命
在物联网时代，数据传输与云端依赖一直是痛点。BerryNet通过将深度学习模型直接部署在树莓派等边缘设备，实现完全本地化的AI推理。项目采用Node.js/Python双语言架构，结合MQTT通信协议，构建起分布式AIoT网络。无需互联网连接，设备即可自主分析摄像头画面，识别物体类型（支持Inception v3分类模型）并精准定位（集成TinyYOLO和MobileNet SSD检测模型），彻底打破"数据必须上云"的桎梏。
软硬协同：从摄像头到智能告警的全链路
系统默认包含三大核心组件：摄像头客户端实时采集画面，目标检测引擎进行毫秒级推理，Freeboard仪表盘动态展示结果。通过Supervisor进程管理工具，开发者可轻松启停服务组件。更支持IP摄像头、USB摄像头等多种输入源，帧率自由调节（默认1FPS）。当检测到特定目标（如会议室闯入宠物），即将推出的邮件/即时通讯告警功能将触发通知，形成完整的安防解决方案。
五分钟极速部署：小白也能玩转AIoT
安装过程极度简化，支持预构建镜像和源码编译两种方式。通过三条命令即可完成环境搭建：
$ git clone https://github.com/DT42/BerryNet.git
$ cd BerryNet
$ ./configure
借助Supervisorctl工具，组件管理变得可视化：
# 查看服务状态
$ sudo supervisorctl status all
# 重启所有组件
$ sudo supervisorctl restart all
未来版本将入驻Debian软件源，实现apt一键安装。
零代码可视化：浏览器里的AI控制台
内置的Freeboard仪表盘提供开箱即用的可视化方案。通过浏览器访问设备IP:8080端口，加载预置的仪表盘配置文件，即可实时查看带检测框的影像画面和结构化数据。支持跨设备访问，只需修改配置文件中的IP地址，就能在办公室电脑监控家中树莓派的AI分析结果。自定义添加温度、湿度等物联网传感器数据，轻松打造个性化监控看板。
数据闭环：从模型训练到场景落地
项目提供完整的数据收集工具，通过bn_data_collector组件可将检测结果自动存档，构建专属数据集。支持YOLO模型再训练，用户可使用LabelMe标注工具生成数据，通过内置的xmlTotxt脚本转换格式。针对移动端优化的TinyYOLO模型，在树莓派3B+上可实现每秒3帧的检测速度，平衡精度与性能需求。开放式的架构设计，允许自由替换TensorFlow、OpenVINO等推理引擎。
总结
BerryNet重新定义了边缘智能的边界，将曾经需要云端GPU支撑的深度学习能力浓缩到信用卡大小的开发板。通过降低AI落地门槛，为智能安防、工业质检、智慧农业等场景提供开箱即用的解决方案。项目持续迭代中，现已支持树莓派4、Jetson Nano等多款硬件，正在拓展对TPU加速器的支持。
项目地址：https://github.com/DT42/BerryNet