一、前言

在工业视觉、智慧园区、工地安监场景中，云端 AI 方案带宽成本高、实时性差，边缘端本地推理成为落地首选。土星云 SE110S 系列是国产化工业级边缘算力硬件，搭载自研 AI 加速芯片，原生适配 YOLO 系列目标检测算法，官方开源项目基于 Docker 容器化实现一键部署 YOLOv5，无需繁琐环境编译、模型适配，本文结合官方开源仓库，完整落地 SE110S-WA32/WB16/WC08 三款硬件 YOLOv5 部署全流程。

二、硬件选型：SE110S 三款机型参数详解

土星云SE110S 全系列采用无风扇全金属导冷、IP40 防尘、-20℃~60℃宽温工业设计，DC12V 供电，适配户外机柜、壁挂安装，三款硬件算力、路数区分明确，按需选型部署 YOLOv5：

设备型号	INT8 算力	最大视频接入	内存 / 存储	适用场景
SE110S-WA32	32TOPS	32 路 1080P@25fps 硬解码	16GB+64GB eMMC	大型园区、厂区多摄像头并行检测，多算法并发（安全帽 + 烟火 + 入侵检测）
SE110S-WB16	16TOPS	16 路 1080P@25fps 硬解码	8GB+32GB eMMC	中小型厂房、楼宇安防，常规人员 / 车辆识别
SE110S-WC08	7.2TOPS	8 路 1080P@25fps 硬解码	8GB+32GB eMMC	小商铺、基站、点位式单 / 多路摄像头检测

硬件系统预装 Ubuntu 系统，内置 Docker 运行环境，开箱即用，项目脚本自动识别设备型号、自动加载对应优化版 YOLOv5 权重，无需手动切换模型文件。

三、项目源码整体架构解析

仓库：https://gitee.com/saturn-cloud/yolov5.git

克隆仓库后目录结构如下，项目基于 OpenCV+Numpy 做后处理，gradio实现 Web 可视化检测页面，Docker 一键封装全依赖：

yolov5/ ├── images # 测试图片目录，用于本地离线推理测试 ├── models # 自动区分WA32/WB16/WC08三款硬件的优化YOLOv5模型权重 ├── utils.py # 通用工具类：图像预处理、硬件型号自动识别、参数配置 ├── main.py # Flask后端主程序，5000端口提供Web检测服务 ├── yolov5_opencv.py # OpenCV版本YOLOv5推理核心代码，硬件NPU加速调用 ├── postprocess_numpy.py # 检测结果后处理：坐标解析、画框、置信度过滤 ├── start_docker.sh # 一键部署脚本（核心）：自动拉取镜像、识别机型、挂载模型、启动容器 ├── .gitignore └── README.md

关键文件说明

1、start_docker.sh：部署入口脚本，自动执行三件事：①读取设备硬件信息判定 SE110S 具体型号；②挂载 models 目录下对应优化模型；③映射 5000 端口，启动容器服务。

2、yolov5_opencv.py：适配土星云 TPU 硬件加速，放弃原生 PyTorch 推理，加载量化后的 YOLOv5 模型，提升边缘算力利用率。

3、main.py：基于Gradio开发前端页面，浏览器上传图片展示 YOLOv5 目标检测结果。

四、实战部署步骤（保姆级，3 步跑通 YOLOv5）

前置条件：SE110S 设备通电，接入局域网，SSH 可远程登录。

步骤 1：克隆官方开源代码

登录 SE110S 设备终端，执行 git 克隆指令：

# 拉取土星云YOLOv5部署源码 git clone https://gitee.com/saturn-cloud/yolov5.git # 进入项目根目录 cd yolov5

步骤 2：一键执行 Docker 部署脚本

项目start_docker.sh内置 Docker 环境自动化逻辑，无需手动安装 Docker，脚本自动检测设备型号、拉取适配硬件的 Docker 镜像：

# 添加脚本执行权限 chmod +x start_docker.sh # 一键启动部署 sh start_docker.sh

脚本运行逻辑拆解

1. 自动读取设备 CPU / 硬件标识，区分 WA32/WB16/WC08；
2. 根据机型自动加载 models 目录中对应 INT8 量化 YOLOv5 模型；
3. 构建 Docker 容器，宿主机 5000 端口映射容器 5000 端口；
4. 后台启动 main.py Flask 服务，日志输出至项目 log 目录。

步骤 3：Web 页面访问验证 YOLOv5 检测

1. 查询 SE110S 设备局域网 IP：hostname -I；
2. 同局域网电脑打开浏览器，访问：http://{设备IP}:5000；
3. 功能测试：上传测试图，页面实时返回 YOLOv5 画框检测结果；

运行效果图如下：

五、核心技术亮点：SE110S+YOLOv5 落地优化细节

1. 硬件自适应量化模型：官方仓库提前对 YOLOv5s 做 INT8 量化，WA32/WB16/WC08 分别适配不同量化粒度模型，脚本自动匹配无需人工替换权重。
2. TPU 硬件加速：对接设备内置TNPU，规避 ARM CPU 低效推理，满足工业实时检测要求。
3. 容器化隔离环境：Docker 打包所有运行依赖，解决嵌入式 Linux 系统 Python 版本、库文件冲突问题，设备系统重装后重新克隆代码一键即可恢复部署。
4. 原生多路视频硬解码：依托 SE110S 硬件 H.265 硬解码单元。

六、常见部署问题与解决方案

问题 1：访问 http://IP:5000 无法打开页面

• 排查：
• ① 防火墙放行 5000 端口 sudo ufw allow 5000/tcp；
• ② 查看 docker 容器状态 docker ps，容器异常则重启脚本sh start_docker.sh；
• ③ 确认设备与访问电脑同一局域网。

七、二次开发拓展

1. 自定义训练 YOLOv5 模型部署 在 PC 端训练自定义数据集，导出 INT8 量化模型，替换项目models对应机型目录权重，重启start_docker.sh即可完成自定义算法上线。
2. 对接本地工业存储 修改 start_docker.sh 挂载参数，将检测结果图挂载至设备本地硬盘，实现边缘数据本地留存。
3. 对接云平台 在 utils.py 新增 MQTT 逻辑，检测结果实时上报云端平台，实现边缘推理 + 云端汇总全链路。

八、总结

土星云 SE110S 系列 + 官方开源 YOLOv5 项目，实现国产化边缘硬件零门槛部署目标检测，Docker 一键部署规避嵌入式环境难题，三款硬件覆盖从小点位到大厂区全场景 AI 落地需求。项目开源可直接商用二次开发，仓库地址：https://gitee.com/saturn-cloud/yolov5.git，需要调试可下载源码基于自有 SE110S 设备实测。