IA de Visión en el Borde
Basado en cámaras ligeras de borde y hosts de cómputo de IA multicanal de grado industrial, construye una solución de visión en el borde con detección de objetos, alertas de intrusión en zona y vinculación automatizada.
Hardware Principal
- CAM-L reCamera 2002w/2002 Nodo ligero en el borde · inferencia NPU en dispositivo · transmision RTSP
- CAM-H reCamera 2002 HQ PoE 8GB Posición de cámara principal PoE · agregación NVR multicanal
- EDGE reComputer RK3576-30 Host de inferencia ligero · 6 TOPS NPU · vinculacion Node-RED
- NVR reServer Industrial J4012 Jetson Orin NX 16GB · agregación multicanal Frigate · TensorRT
- NET Conmutador PoE gigabit de 8+2 puertos 802.3af/at · alimentación PoE y agregación de tráfico
Qué resuelve este módulo
La videovigilancia tradicional solo permite revisar grabaciones después del evento, sin poder generar alertas estructuradas en el instante en que ocurre el riesgo; la detección de movimiento se ve gravemente afectada por cambios de iluminación y agitación por lluvia/nieve, con altas tasas de falsas alarmas. El desarrollo personalizado de visión por IA tiene ciclos largos, requiere ingenieros de algoritmos especializados y racks de servidores dedicados, y a los proveedores de soluciones les cuesta equilibrar el rendimiento y costo entre dispositivos embebidos de un solo punto y servidores centralizados multicanal.
- Dificultad
- Avanzado
- Duración
- L1 1 día / L2 2–3 días / L3 3–5 días
- Formato Más Corto
- 1 día (curso de iniciación · L1)
- Formato de Enseñanza
- 3 niveles: iniciación / práctica / entrega
- Doble línea principal de hardware
- reCamera (nodo ligero) + Jetson Orin NX (nodo potente)
- Protocolo central
- RTSP / MQTT / PoE 802.3af/at / REST API
L1 tiene experiencia básica en redes y operaciones de navegador, puede conectarse a Wi-Fi y acceder a interfaces Web; L2 entiende redes IP, Docker y conceptos básicos de MQTT, puede editar archivos de configuración YAML; L3 tiene base en Python y línea de comandos Linux, conoce los principios básicos de detección de objetos
Escenarios típicos de aplicación
Capacidades Clave
- Configurar detección de objetos en el dispositivo reCamera y transmisión RTSP
- Orquestar la vinculación de eventos visuales Node-RED con alertas audiovisuales
- Construir agregación multicanal RTSP de Frigate y gestión de grabación NVR
- Configurar zonas de detección (Zones) y optimización de umbrales de confianza
- Integrar vinculación automatizada entre sistemas con Home Assistant
- Entrenar modelos personalizados YOLO y completar el despliegue cuantizado TensorRT/cvimodel
Hardware del curso
Este curso emplea como material didáctico central las «cámaras de IA de código abierto + cajas de inferencia en el borde», cubriendo toda la cadena, de la captura y la inferencia a las alertas.
reComputer RK3576-30 (100052518)
Host de inferencia visual ligero, 8 GB de memoria, 6 TOPS de potencia de cómputo
Controlador inteligente en el borde que ejecuta la vinculación de eventos y el panel ligero de videovigilancia. Equipado con 8 GB de memoria y 6 TOPS de potencia NPU,adecuado para la inferencia visual ligera y la vinculación de eventos Node-RED en las etapas L1/L2. Puede servir como host de despliegue ligero para Frigate y Home Assistant.
reCamera 2002w/2002 (102991896/102991894)
Nodo visual de una sola cámara, detección de objetos ligera en el dispositivo y transmisión RTSP
Cámara de IA modular de código abierto, el modelo 2002w soporta modo Wi-Fi/AP, el 2002 soporta Ethernet cableado de 100 Mbps. Con inferencia NPU integrada y orquestación sin código Node-RED, plug and play,adecuado para la experiencia de nodo ligero de un solo punto de L1 y la vinculación automatizada en el dispositivo de L2. Soporta salida de flujo de video RTSP (puerto 554).
reCamera 2002 HQ PoE 8 GB (100029708)
Cámara principal de múltiples posiciones, alimentación y transmisión por un solo cable PoE
Cámara de IA modular de código abierto, soporta alimentación por un solo cable desde conmutador PoE y transmisión de video. Configuración de 8 GB de memoria,adecuado para la posición principal de cámara para análisis de agregación NVR multicanal. Se integra a Frigate mediante RTSP, soporta configuración de zonas de detección y umbrales de confianza.
Camara AI reCamera Pro (100092895)
Camara visual AI de codigo abierto de alto rendimiento, para desarrollo visual avanzado y verificacion de modelos de mayor potencia de computo
Dispositivo de expansion opcional, modelo de alto rendimiento de la serie reCamera, adecuado para desarrollo visual avanzado y verificacion de modelos de mayor potencia de computo. Puede manejar tareas de inferencia en dispositivo mas complejas y verificacion paralela de multiples modelos, como opcion de computo avanzado en las etapas L2/L3.
reServer Industrial J4012 (Jetson Orin NX 16 GB, 114110247)
Central de video de alto rendimiento, servidor en el borde Jetson de grado industrial
Servidor de computo en el borde industrial Jetson Orin NX 16GB, ejecuta Frigate NVR para agregar deteccion multicanal. Soporta decodificacion de hardware GPU y aceleracion por cuantizacion TensorRT, adecuado para la agregacion de flujos de video multicanal L2 y el despliegue de inferencia de modelos personalizados L3. Requiere flashear la imagen JetPack y configurar Docker --runtime nvidia, Frigate usa la imagen stable-tensorrt-jp6.
Conmutador industrial PoE gigabit de 8+2 puertos (802.3af/at)
Alimentación centralizada y red de alta velocidad
Conmutador PoE gigabit de 8+2 puertos, cumple con el estándar 802.3af/at. Alimenta las cámaras PoE y agrega el tráfico de la red local,adecuado para el desplieguecentralizado de múltiples reCamera HQ PoE y los escenarios de agregación Frigate NVR.
Adicionalmente se incluyen router gigabit CUDY AX3000 Wi-Fi 6, tripodes mini x3 (114993412), monitor portatil de sitio 13.3" 1080P (con cable mini HDMI y Type-C), cables de red gigabit categoria 6 x4 (1m), regleta de alimentacion Bull de 3 tomas de cinco pines + 3xUSB, paquete de materiales de simulacion de escenario (etiquetas de casco de seguridad/chaleco reflectante, modelos de piezas de prueba).
Codecraft le ayuda a "atreverse", aily-blockly le ayuda a "terminar"
M0 no utiliza Arduino IDE para escribir C++ manualmente, sino que emplea una cadena de herramientas de doble plataforma desarrollada por Seeed. La primera mitad: cero instalación, resultados en 5 minutos; la segunda mitad: traslade el proyecto a su propio ordenador, convirtiéndolo en un proyecto portable y evolutivo.
reCamera + Node-RED
Inferencia NPU en dispositivo + orquestacion sin codigo · RTSP/MQTT
- Encendido y conexion a red de dispositivos
- Salida de flujo de video RTSP
- Detección de Objetos con Modelo Pre-entrenado
- Vinculación de eventos Node-RED
Frigate NVR + Home Assistant
Decodificación de hardware RTSP multicanal + detección por zonas + alertas MQTT
- Acceso RTSP multicanal
- Configuración Zones/Masks
- Optimizacion de umbrales de confianza
- Vinculación de automatización HA
YOLO + TensorRT / cvimodel
Anotacion de datos + aprendizaje por transferencia + despliegue cuantizado
- Recoleccion y anotacion de conjuntos de datos
- Entrenamiento por transferencia YOLO
- Exportación ONNX
- Cuantización TensorRT/cvimodel
- Ejecucion real en el borde
Se requieren adicionalmente Mosquitto MQTT Broker (para eventos de alerta estructurados, puerto 1883), InfluxDB+Grafana (para estadísticas de detección y panel de series temporales L3) y CVAT/Roboflow (plataforma de anotación de conjuntos de datos L3).
Progresión en tres niveles: Demostración → Consultor → Diseño
Experiencia de doble línea y configuración básica
Ten tu propio centinela visual inteligente, delimita zonas de vigilancia y captura automáticamente evidencia
- Comprender conceptos visuales centrales como tasa de fotogramas, resolución, umbral de confianza e IoU
- Completar de forma independiente la configuración de red y la salida de flujo de video del dispositivo reCamera
- Dominar los límites de aplicabilidad y criterios de selección entre soluciones de nodo ligero y nodo potente
- Completar la configuración de red de 1 nodo reCamera y la verificación básica de reconocimiento de objetivos
Vinculación de escenarios de doble línea y agregación multicanal
Actualiza las cámaras antiguas existentes a una red de monitoreo inteligente, filtra falsas alarmas y vincula alarmas audibles y luminosas en sitio
- Dominar el uso de Node-RED en reCamera para lograr la vinculación local de eventos en el borde
- Dominar la configuración multicanal, dibujo de zonas y optimización de parámetros en frigate.yml de Frigate
- Dominar la configuración de vinculación entre Frigate y Home Assistant y la lógica de activación de eventos entre sistemas
- Completar 1 sistema completo con más de 2 canales de acceso RTSP, detección Frigate, vinculación HA y optimización de falsas alarmas
Personalización de modelos y optimización de despliegue en el borde
Personaliza modelos de reconocimiento visual, datos de negocio en panel grande en tiempo real
- Dominar el ciclo de ingeniería completo de visión por IA, desde anotación de datos y entrenamiento de modelos hasta despliegue en el borde
- Dominar las cadenas de herramientas clave para la conversión de cuantización de modelos TensorRT y embebidos
- Capacidad para diseñar y entregar de forma independiente soluciones de reconocimiento visual para industrias verticales
- Entregar 1 modelo de detección de objetos entrenado personalizado y completar la verificación de ejecución en hardware
Curriculum / 15 módulos de enseñanza
El orden de los módulos es fijo, la forma de impartirlos la elige usted
Seleccione una modalidad y vea qué módulos cubre. La versión completa es el mismo curso con tres formas de impartirlo — el contenido, el hardware y los entregables son exactamente iguales, solo cambia la segmentación.
| Módulo / Entregable | Iniciación1 día | Práctica2–3 días | Entrega3–5 días | ||
|---|---|---|---|---|---|
| 01 | Preparación previa al curso y verificación de entornoInventario de banco de hardware, configuracion de entorno de red, preinstalacion de firmware reCamera y verificacion de complementos Node-RED/SSCMA, despliegue de contenedor Frigate y configuracion de paso directo GPU, distribucion de materiales docentes | — | Completo | Completo | Completo |
| 02 | Conceptos centrales de IA visual y arquitectura de doble linea principalTasa de frames FPS, resolución, umbrales de confianza, IoU (intersección sobre unión); comparación de indicadores técnicos, costos y límites de aplicabilidad entre nodo ligero reCamera y nodo potente Jetson | — | Completo | Completo | Completo |
| 03 | Configuración de nodo ligero de un solo punto reCameraEncendido y conexión a red (2002w Wi-Fi/AP, 2002 Ethernet de 100 Mbps, HQ alimentado por conmutador PoE), acceso a interfaz Web, verificación de flujo de video RTSP (puerto 554), cambio de modelos preinstalados | reCamera Web UI | Completo | Completo | Completo |
| 04 | Detección básica de intrusiones y dibujo de zonasDibujo de cuadros de deteccion basicos, observacion de eventos activados por entrada de objetos, observacion de cambios en tasa de frames de inferencia NPU y confianza en dispositivo | reCamera / SSCMA | Completo | Completo | Completo |
| 05 | Demostración de arquitectura NVR multicanal JetsonDemostración de acceso multicanal RTSP de Frigate y decodificación de hardware GPU, detección de objetos y gestión de grabación, demostración de vinculación: detección de invasión→push MQTT→alarma audible y luminosa | Frigate NVR | Reducido | Completo | Completo |
| 06 | Orquestación de eventos visuales Node-REDConfiguración de nodo de modelo SSCMA, filtrado de confianza y filtrado por tipo de objeto, construcción de panel de imagen en tiempo real y tablero de estado de alertas Dashboard | Node-RED / SSCMA | No incluido | Completo | Completo |
| 07 | Vinculación de alertas multicanalPublicación de mensajes MQTT que impulsa el cambio de color de bombillas inteligentes y el sonido de zumbadores; nodo Webhook que envía alertas al bot de grupo de WeChat Work | Node-RED / MQTT | No incluido | Completo | Completo |
| 08 | Configuración de cámaras multicanal FrigateAnálisis de estructura de configuración frigate.yml, adición de direcciones RTSP de múltiples reCamera, configuración de tasa de frames de detección (5–10FPS), definición de Zones y Masks | Frigate / YAML | No incluido | Completo | Completo |
| 09 | Integración profunda Home AssistantInstalación y configuración del plugin de integración Frigate HA, mapeo de entidades de cámara y estados de sensores, escritura de scripts YAML de automatización basados en franjas horarias e invasión de zonas | Home Assistant / YAML | No incluido | Completo | Completo |
| 10 | Practica de optimizacion de tasa de falsas alarmasAjuste de umbrales de confianza (Min Score/Threshold), optimizacion de coordenadas Zones para excluir movimiento de ramas/reflejos/objetos de fondo, registro de datos comparativos de falsas alarmas antes y despues de la optimizacion | Frigate | No incluido | Completo | Completo |
| 11 | Recoleccion y anotacion de conjuntos de datosEstrategia de recoleccion de datos en sitio (variaciones de iluminacion/multiples angulos/balance de muestras positivas y negativas), anotacion de cuadros de deteccion de objetos en CVAT o Roboflow, division de conjunto de datos 7:2:1 y aumento de datos | CVAT / Roboflow | No incluido | No incluido | Completo |
| 12 | Aprendizaje por transferencia de modelo YOLOPrincipios de detección de objetos YOLO y análisis de red backbone, entorno de entrenamiento PyTorch y configuración de pesos preentrenados, monitoreo de curva de convergencia de Loss e indicador mAP@0.5 | YOLO / PyTorch | No incluido | No incluido | Completo |
| 13 | Conversion y despliegue de modelos en el bordeExportación de formato ONNX, conversión a TensorRT Engine en Jetson, cuantización INT8 TPU-MLIR de reCamera a cvimodel, medición real de latencia de inferencia/FPS/memoria de video en dispositivo | TensorRT / TPU-MLIR | No incluido | No incluido | Completo |
| 14 | Agregacion de datos estructurados y panelEscritura de datos estadisticos de deteccion de objetos en base de datos de series temporales InfluxDB, construccion de panel de tendencias de frecuencia de alertas/popularidad por zona/tasa de cumplimiento en Grafana | InfluxDB / Grafana | No incluido | No incluido | Completo |
| 15 | Revisión de soluciones y resumen de entregaPráctica de solución de proyecto de cada grupo y defensa de efectos de optimización de falsas alarmas, revisión de gasto de cómputo en el borde y uso de ancho de banda de red, archivo de entregables y archivos de configuración | — | Reducido | Completo | Completo |
● Completo◐ Reducido— No incluido●＋ Más profundo que la versión completa
La clave coverage corresponde al ID de formato de curso (taster / workshop / bootcamp), los valores son full (cobertura completa) / part (cobertura reducida) / none (no incluido) / plus (más profundo que la versión completa). La clase de experiencia (taster) se enfoca en la experiencia de doble línea L1 y configuración básica, Jetson NVR es demostración observada sin práctica; la clase práctica (workshop) cubre la vinculación Node-RED completa L1+L2 y la agregación multicanal Frigate; la clase de entrega (bootcamp) cubre completamente L1+L2+L3 incluyendo entrenamiento de modelos personalizados y despliegue en el borde.
Primero elija el nivel, luego la modalidad
El tiempo y el objetivo determinan qué nivel elegir: si quiere que los estudiantes se lleven un proyecto que puedan seguir desarrollando, elija la versión completa; si solo tiene dos días, elija la versión maratón; si solo tiene medio día, elija uno de los dos talleres experienciales.
Sesión de Iniciación
Sin FP1 día · 6–8h · L1 capa de demostración · enfocado en configuración de un solo punto reCamera y comprensión de arquitectura de doble línea principal
- Día 1 mañanaMódulos 01 + 02 + 03
Verificacion previa del entorno → conceptos centrales de IA visual → configuracion de nodo ligero de un solo punto reCamera
- Día 1 tardeModulos 04 + 05 (demostracion) + 15 (reducido)
Detección básica de intrusiones → demostración de arquitectura Jetson NVR → resumen y revisión
El objetivo de la clase de experiencia es «comprender, poder explicar y poder demostrar», lograr el efecto de demostración de detección de objetos y alertas de invasión con reCamera en 3 minutos. Jetson NVR multicanal es demostración observada, sin práctica.
Curso Práctico
FP completo2–3 días · 14–20h · L1+L2 · vinculación de alertas Node-RED + agregación multicanal Frigate + automatización HA + optimización de falsas alarmas
- Day 1Módulos 01–05
Verificacion previa del entorno → conceptos visuales → configuracion reCamera → deteccion basica → demostracion Jetson NVR
- Day 2Modulos 06–08
Orquestación de eventos visuales Node-RED → vinculación de alertas multicanal → configuración de cámaras multicanal Frigate
- Día 3 (opcional)Modulos 09 + 10 + 15
Integración profunda HA → práctica de optimización de tasa de falsas alarmas → revisión de solución y resumen de entrega
La clase práctica entrega 1 sistema completo que incluye acceso RTSP de 2 o más canales, detección Frigate, vinculación HA y optimización de falsas alarmas. Requisitos básicos de los estudiantes: comprensión de redes IP, Docker y conocimientos básicos de MQTT, capacidad para editar archivos de configuración YAML.
Curso de Entrega
FP completo3–5 días · 24–35h · L1+L2+L3 · cobertura completa incluyendo entrenamiento de modelos personalizados y optimización de despliegue en el borde
- Day 1–2Modulos 01–10
Contenido completo L1+L2 (configuración reCamera + vinculación Node-RED + agregación multicanal Frigate + integración HA + optimización de falsas alarmas)
- Day 3Modulos 11 + 12
Recoleccion y anotacion de conjunto de datos → aprendizaje por transferencia de modelo YOLO
- Day 4Modulos 13 + 14
Conversion y despliegue de modelos en el borde → agregacion de datos estructurados y construccion de panel
- Day 5Módulo 15
Revisión de soluciones y archivado de entrega
El objetivo de la clase de entrega es poseer la capacidad de diseñar y entregar de forma independiente soluciones de reconocimiento visual para industrias verticales. Requisitos básicos de los estudiantes: conocimientos básicos de Python y línea de comandos Linux, comprensión de los principios básicos de detección de objetos, familiaridad con las capacidades L1–L2.
La clase de experiencia es el formato estándar para demostración de soluciones y comunicación con clientes: cero barreras algorítmicas, ciclo cerrado de 1 día, enfocado en «la cámara puede emitir flujo, los objetos pueden detectarse y las alertas pueden activarse». Adecuado para ferias, días de puertas abiertas tecnológicas y escenarios de primer contacto con clientes.
El Day 3 de la clase práctica es un día flexible opcional: si los estudiantes tienen buena base puede comprimirse a 2 días (la tarde del Day 2 combina la integración HA y la optimización de falsas alarmas); si se necesita más tiempo para la optimización de configuración Frigate se usan los 3 días completos.
El cableado del conmutador PoE y reCamera HQ PoE requiere confirmar que los puertos del conmutador cumplen con el estándar 802.3af/at; los inyectores PoE no estándar pueden dañar el puerto de red de la cámara. Queda estrictamente prohibido conectar erróneamente puertos no PoE como alimentación PoE.
El Jetson reServer J4012 requiere flashear la imagen JetPack y configurar Docker --runtime nvidia; Frigate debe usar la imagen stable-tensorrt-jp6, las imágenes CPU normales no pueden activar la decodificación de hardware GPU ni la aceleración TensorRT.
La clase de experiencia no incluye configuración multicanal Frigate ni práctica Node-RED; no prometa al cliente que los estudiantes de la clase de experiencia pueden completar de forma independiente la agregación NVR multicanal — ese es el estándar de entrega de la clase práctica.
Línea roja de cumplimiento: todos los modelos de detección y escenarios de este curso se limitan a la detección de objetos/comportamientos/zonas; queda estrictamente prohibido el reconocimiento facial de identidad y el rastreo de características biométricas. Antes de la entrega del proyecto se debe confirmar por escrito con el cliente los límites de detección.
A quién va dirigido
El valor de este curso no esta en la precision del algoritmo, sino en el metodo de ingenieria de «llevar la IA visual del banco de demostracion al sitio del cliente»
M4 no es una clase de algoritmos que enseña a los estudiantes a «ajustar parámetros para subir precisión», sino una clase de ingeniería que enseña a los equipos cómo usar cámaras de código abierto y hardware de cómputo en el borde para convertir la detección de objetos de una demostración de laboratorio en una solución de sitio entregable, mantenible y cumpliente. Lo que Chaihuo entrega nunca es solo «una clase», sino un conjunto completo que puede desarmarse, reescribirse y reensamblarse: estructura de curso de 15 módulos, planes de clase y PPT para docentes, flujos de ejemplo reCamera Node-RED, plantilla de configuración frigate.yml, método de dibujo de zonas Zones, tabla de registro de optimización de falsas alarmas, listas de dispositivos y especificaciones de banco.
Apertura 01
Cambiar de escenario
La zona de deteccion del modulo 04 «deteccion basica de intrusiones y dibujo de zonas» es abierta: tu industria, el sitio de tu cliente, un problema real que esta ocurriendo en esta ciudad. La vigilancia perimetral puede ser el cerco del recinto, puede ser la puerta trasera del almacen, puede ser la entrada del invernadero — cuanto mas cerca este el problema de la realidad del sitio, mejor sera el efecto, y de esto tu sabes mas que nosotros.
Apertura 02
Conectar cámaras
Las cámaras de red existentes de tus clientes, los dispositivos RTSP en los bancos de formación de escuelas y las cámaras de protocolo propietario de socios pueden conectarse después del módulo 08 para convertirse en el grupo de objetos para las prácticas de acceso multicanal Frigate. M4 se encarga de explicar el método a fondo; qué cámara se conecta detrás de la puerta, tú lo decides.
Apertura 03
Añade lo Tuyo
Todo lo que has acumulado en la industria: los problemas superados en sitio, esa metáfora que hace que los estudiantes entiendan instantáneamente los umbrales de confianza, las tres preguntas más frecuentes en los sitios de los clientes, la experiencia exclusiva en optimización de falsas alarmas — esa es precisamente la parte que nosotros no tenemos y no podemos dar.
El mejor destino de una clase de IA visual no es ser ejecutada completamente una vez, sino ser modificada hasta ser irreconocible por un ingeniero, y luego convertirse en esa solución que solo él puede entregar.
Límites de Alcance y Cumplimiento
Principios Fundamentales
Solo se realiza detección de objetos/comportamientos/zonas y alertas de eventos; queda estrictamente prohibido el reconocimiento facial de identidad y el rastreo de características biométricas.
Alcance
- Deteccion de objetos generales y especificos (categorias de objetos como personas/vehiculos/cascos de seguridad/chalecos reflectantes/piezas de trabajo)
- Detección de invasión y cruce de límites por zona, detección de permanencia anómala nocturna
- Análisis de agregación de flujos de video RTSP multicanal y gestión de grabación NVR
- Eventos de deteccion estructurados enviados mediante MQTT/Webhook a alarmas audibles y luminosas y sistemas de terceros
- Conteo de flujo de personas por zona y estadística de duración de permanencia (agregación anónima, sin asociación a identidad personal)
- Entrenamiento de modelo personalizado de deteccion de objetos y despliegue cuantizado en el borde (L3)
Fuera de Alcance
- Queda estrictamente prohibido el reconocimiento facial de identidad y el rastreo de características biométricas (línea roja de cumplimiento); todos los modelos y escenarios en este documento se limitan a la detección de objetos/comportamientos/zonas
- Queda estrictamente prohibido su uso en control de frenado de seguridad vital de nivel de milisegundos (como conducción autónoma, diagnóstico médico, enclavamientos de seguridad industrial)
- No sustituye los sistemas legales de monitoreo de seguridad ni los sistemas de alarma contra incendios
- No se garantiza una tasa de reconocimiento del 100% en condiciones climáticas extremadamente adversas (lluvia intensa, niebla densa, contraluz fuerte)
- No incluye servicios de operación y mantenimiento subrogado de larga duración en sitio
- reCamera individual es una solución ligera de una sola cámara, soporta 1 canal de inferencia en tiempo real 1080P; para concurrencia multicanal se requiere desplegar un host en el borde (RK3576 / J4012) y planificar razonablemente la resolución de detección y tasa de muestreo de frames (generalmente 5–10 FPS)