1. 项目概述为什么要在Jetson Nano上折腾摄像头如果你手头有一块NVIDIA Jetson Nano 2GB开发板并且已经完成了系统烧录、基础环境配置那么接下来最自然、也最令人兴奋的一步就是让它“睁开眼”——接入摄像头开始视觉感知。无论是想做一个智能小车、一个安防监控原型还是一个简单的图像识别应用摄像头都是连接物理世界与数字智能的桥梁。Jetson Nano作为一款边缘AI计算设备其核心价值就在于能实时处理来自摄像头的视觉数据运行神经网络模型做出本地决策。在Jetson Nano上摄像头接入主要有两种主流接口CSICamera Serial Interface和USBUniversal Serial Bus。这两种接口的选择直接关系到你的项目在图像质量、延迟、系统资源占用以及开发复杂度上的表现。很多新手拿到板子后面对琳琅满目的摄像头型号和网上零散的教程往往会感到无从下手我的CSI摄像头为什么没图像USB摄像头怎么这么卡OpenCV调用报错怎么办这篇文章我将基于在多个机器人、物联网项目中的实际踩坑经验为你系统梳理在Jetson Nano 2GB上调用CSI和USB摄像头的完整流程、核心原理、避坑指南和性能优化技巧。我会从最基础的硬件连接到软件配置再到代码实战和性能调优手把手带你打通视觉输入的第一关。无论你是想快速验证一个想法还是为复杂项目搭建可靠的视觉输入模块这里的内容都能给你提供直接的参考。2. 核心硬件解析CSI与USB摄像头的本质区别在开始接线和写代码之前我们必须先理解CSI和USB这两种接口在Jetson Nano上的根本差异。这不仅仅是物理接口的不同更关乎底层的数据传输架构、驱动模型和性能天花板。2.1 CSI摄像头为嵌入式视觉而生的“亲儿子”CSI接口是Jetson Nano板载的专用摄像头接口。你可以把它想象成一条从摄像头传感器直通处理器内部图像处理单元ISP的“高速公路专线”。核心优势极低的延迟与高带宽数据通过MIPI CSI-2协议直接传输到SoC的ISP不经过复杂的协议转换延迟通常在毫秒级带宽足以轻松支持1080p60fps甚至更高规格的视频流。硬件级图像处理Jetson的ISP硬件单元可以对原始图像数据进行自动对焦、自动白平衡、自动曝光、降噪等处理极大减轻了CPU的负担。精准的帧同步对于多摄像头应用如立体视觉CSI接口能提供更精确的硬件同步信号。更低的CPU占用率驱动和数据处理路径高度优化系统开销小。典型型号与选择官方推荐Raspberry Pi Camera Module V2IMX219传感器。这是兼容性最好、文档最全的选择。其他兼容型号任何支持MIPI CSI-2接口、并且传感器驱动在Linux内核中已包含或容易移植的摄像头模组如OV5647、IMX477等。注意务必确认摄像头排线是15pin的FPC软排线并能连接到Jetson Nano的CSI接口位于板子中间一个黑色的翻盖式连接器。实操心得购买非官方CSI摄像头时一定要向卖家索要在Jetson Nano或树莓派上的测试视频或驱动说明。我曾买过一个便宜的CSI摄像头虽然物理接口一致但内核中没有对应的传感器驱动需要自己移植和编译内核驱动对新手极不友好。2.2 USB摄像头即插即用的“万金油”USB摄像头通过通用的USB总线与Jetson Nano通信。其优势在于无与伦比的通用性和易用性。核心优势即插即用绝大多数USB摄像头在Linux下遵循UVCUSB Video Class标准内核自带驱动插入后通常能被系统自动识别为/dev/videoX设备。型号极其丰富从几十元的普通摄像头到支持4K的工业相机选择范围广容易采购。热插拔可以随时连接或断开方便调试。灵活性可以通过USB集线器或延长线灵活部署。核心劣势与挑战更高的延迟和CPU占用图像数据需要经过USB控制器、UVC驱动层、再到用户空间路径更长。压缩格式如MJPEG的编解码会消耗CPU资源传输原始数据如YUYV则会占用大量USB带宽。带宽瓶颈USB 2.0Jetson Nano 2GB的USB口是2.0标准的理论带宽是480 Mbps。传输一个未经压缩的1080p YUYV流约每秒124MB即992Mbps会直接占满带宽导致帧率下降或丢帧。因此高分辨率下通常需要摄像头支持MJPEG或H.264硬件压缩。供电问题高性能USB摄像头可能功耗较大需要外接供电的USB集线器否则可能导致摄像头工作不稳定或Jetson Nano重启。如何选择追求高性能、低延迟如高速机器人、实时目标跟踪首选CSI摄像头。快速原型验证、对延迟不敏感如门禁识别、视频录制USB摄像头更方便。需要特殊功能如全局快门、高帧率、多光谱可能需要特定的USB工业相机。3. 环境准备与基础检查在调用任何摄像头之前我们需要确保系统基础环境是就绪的。很多问题其实都出在第一步。3.1 系统与驱动确认首先登录你的Jetson Nano打开终端。1. 检查系统版本和JetPack信息cat /etc/nv_tegra_release这会输出类似# R32 (release), REVISION: 7.3, GCID: 33984772, BOARD: t210ref, EABI: aarch64, DATE: Fri Jun 26 19:38:25 UTC 2023的信息。记下你的主版本号如R32。2. 更新系统包建议操作sudo apt update sudo apt upgrade -y3. 安装多媒体相关工具包这些工具包包含了我们后续测试和开发所需的关键库。sudo apt install -y v4l-utils python3-pip python3-opencvv4l-utils: 包含v4l2-ctl等工具用于查询和配置摄像头设备至关重要。python3-opencv: Python版的OpenCV库。Jetson系统通常预装了带CUDA加速的OpenCV但安装这个可以确保相关Python绑定到位。3.2 硬件连接与设备识别对于CSI摄像头断电操作在连接或断开CSI摄像头排线前务必给Jetson Nano断电。带电插拔极易损坏脆弱的CSI接口或摄像头传感器。连接排线打开CSI接口的黑色卡扣将摄像头排线金属触点一面朝向板载散热器方向通常有图示轻轻插入到底然后压下卡扣锁紧。上电开机。对于USB摄像头直接插入Jetson Nano的USB端口即可。如果摄像头有独立供电线请一并接上。设备检查连接好摄像头并启动系统后使用以下命令检查设备是否被识别。列出所有视频设备ls -l /dev/video*你会看到类似/dev/video0的设备文件。如果有多个通常数字最小的那个是主设备。使用v4l2-ctl进行深度探测这是诊断摄像头能力的核心工具。# 查看/dev/video0的基本信息 v4l2-ctl --device/dev/video0 --info # 查看该设备支持的所有格式、分辨率、帧率 v4l2-ctl --device/dev/video0 --list-formats-ext对于CSI摄像头如IMX219--info输出中会明确显示驱动为tegra-video或imx219。--list-formats-ext会列出它支持的格式如YUYVMJPG以及对应的分辨率帧率组合。对于USB摄像头驱动通常是uvcvideo。--list-formats-ext的输出是你判断其真实能力的关键。仔细查看它支持哪些Pixel Format。常见的YUYV 4:2:2 (YUYV) 未经压缩的YUV格式画质好但带宽占用大。Motion-JPEG (MJPG) 压缩格式节省带宽但需要CPU解码。H.264 (H264) 高效压缩但需要硬件解码。注意事项很多USB摄像头标称支持1080p但可能只在MJPG格式下支持30fps在YUYV格式下最高只支持720p5fps。务必用这个命令核实这是后续设置分辨率帧率不翻车的前提。4. CSI摄像头调用实战从GStreamer到OpenCVJetson Nano对CSI摄像头的支持是通过NVIDIA深度优化的Tegra多媒体管道实现的其底层通常基于GStreamer框架。因此我们有多种调用方式。4.1 方法一使用GStreamer管道直接测试最底层这是验证CSI摄像头硬件和底层驱动是否正常工作的最直接方法。1. 使用nvarguscamerasrc插件NVIDIA官方推荐这个插件是NVIDIA为自家平台CSI摄像头优化的GStreamer源。# 在终端中播放CSI摄像头视频默认传感器IMX219 gst-launch-1.0 nvarguscamerasrc ! video/x-raw(memory:NVMM), width1920, height1080, framerate30/1 ! nvvidconv flip-method0 ! video/x-raw, width960, height540 ! nvvidconv ! nvegltransform ! nveglglessink -e命令拆解nvarguscamerasrc: GStreamer源从CSI摄像头捕获NVMMNVIDIA内存格式的数据。! ‘video/x-raw(memory:NVMM)…’: 设置捕获格式为NVMM内存中的原始视频分辨率1080p帧率30fps。! nvvidconv flip-method0: 使用硬件视频转换器。flip-method可以旋转图像0不旋转2180度。! ‘video/x-raw, width960, height540’: 指定转换后的输出分辨率这里缩放到540p。! nvvidconv ! nvegltransform ! nveglglessink: 一系列用于在屏幕上渲染的插件。nveglglessink是显示窗口。如果看到一个视频窗口弹出说明CSI摄像头工作完全正常。2. 保存为视频文件# 录制10秒的H.264视频 gst-launch-1.0 -e nvarguscamerasrc num-buffers300 ! video/x-raw(memory:NVMM), width1920, height1080, framerate30/1 ! nvv4l2h264enc insert-sps-ppstrue ! h264parse ! mp4mux ! filesink locationtest_csi.mp4num-buffers300: 捕获300帧30fps * 10秒。nvv4l2h264enc: 使用硬件H.264编码器CPU占用极低。filesink location…: 保存文件。4.2 方法二在Python OpenCV中使用CSI摄像头推荐虽然OpenCV的cv2.VideoCapture()主要针对V4L2设备如USB摄像头但我们可以通过一个“技巧”让OpenCV去读取一个由GStreamer管道生成的虚拟视频流。这是最灵活、最常用的方式。编写Python脚本csi_camera_opencv.pyimport cv2 import numpy as np # 定义GStreamer管道字符串 # 这里我们创建一个高效的管道利用硬件加速 def gstreamer_pipeline( sensor_id0, capture_width1920, capture_height1080, display_width960, display_height540, framerate30, flip_method0, ): return ( nvarguscamerasrc sensor-id%d ! video/x-raw(memory:NVMM), width(int)%d, height(int)%d, framerate(fraction)%d/1 ! nvvidconv flip-method%d ! video/x-raw, width(int)%d, height(int)%d, format(string)BGRx ! videoconvert ! video/x-raw, format(string)BGR ! appsink % ( sensor_id, capture_width, capture_height, framerate, flip_method, display_width, display_height, ) ) def main(): # 打印管道信息便于调试 print(gstreamer_pipeline(flip_method0)) # 使用GStreamer管道创建VideoCapture对象 cap cv2.VideoCapture(gstreamer_pipeline(flip_method0), cv2.CAP_GSTREAMER) if not cap.isOpened(): print(无法打开摄像头) return print(按 q 键退出窗口) while True: ret_val, img cap.read() if not ret_val: print(捕获失败退出) break # 在此处可以添加你的图像处理代码例如目标检测 # processed_img your_processing_function(img) cv2.imshow(CSI Camera, img) # 等待按键q退出 if cv2.waitKey(1) 0xFF ord(q): break # 清理资源 cap.release() cv2.destroyAllWindows() if __name__ __main__: main()关键点解析管道构造我们构建的GStreamer管道以nvarguscamerasrc为源最终通过appsink将图像数据“喂给”OpenCV。videoconvert将BGRx格式转换为OpenCV常用的BGR格式。cv2.CAP_GSTREAMER这是关键它告诉OpenCV使用GStreamer后端来捕获视频而不是默认的V4L2。硬件加速nvarguscamerasrc,nvvidconv都利用了Tegra的硬件加速单元整个过程CPU占用率很低。参数调整你可以修改capture_width/height传感器捕获分辨率和display_width/height输出给OpenCV的分辨率。降低显示分辨率可以提升后续图像处理的速度。运行脚本python3 csi_camera_opencv.py。你应该能看到一个流畅的视频窗口。实操心得如果遇到cv2.VideoCapture无法打开管道的问题首先将gstreamer_pipeline()函数返回的字符串打印出来并手动在终端用gst-launch-1.0命令测试这个管道是否能正常工作。例如gst-launch-1.0 nvarguscamerasrc ! ... ! appsink。这能帮你定位是管道构建错误还是OpenCV环境问题。5. USB摄像头调用实战V4L2与OpenCV的协作USB摄像头的调用相对“标准”因为走的是Linux通用的V4L2框架。OpenCV对其有很好的原生支持。5.1 方法一使用OpenCV直接调用最简单编写Python脚本usb_camera_simple.pyimport cv2 def main(): # 通常USB摄像头设备号为 /dev/video0 # 如果连接了多个摄像头可能是 /dev/video1, /dev/video2 等 camera_id 0 # 或者使用字符串 /dev/video0 # 创建VideoCapture对象0通常代表第一个摄像头 cap cv2.VideoCapture(camera_id) # 设置摄像头参数在open之后设置 # 设置分辨率宽度和高度 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 尝试设置帧率并非所有驱动都支持 cap.set(cv2.CAP_PROP_FPS, 30) if not cap.isOpened(): print(f错误无法打开摄像头设备 {camera_id}) # 尝试列出所有视频设备 import subprocess subprocess.run([ls, -la, /dev/video*]) return print(USB摄像头已打开。按 q 键退出。) while True: # 逐帧捕获 ret, frame cap.read() # 如果帧读取正确ret为True if not ret: print(无法从摄像头读取帧。退出。) break # 在此处可对帧进行处理 # gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 显示结果帧 cv2.imshow(USB Camera, frame) # 按q退出 if cv2.waitKey(1) 0xFF ord(q): break # 完成所有操作后释放捕获器 cap.release() cv2.destroyAllWindows() if __name__ __main__: main()这个脚本简单直接适用于大多数UVC兼容的USB摄像头。5.2 方法二使用V4L2控制优化参数更稳定OpenCV的cap.set()函数有时无法成功设置所有参数或者在不同摄像头上有不同表现。更可靠的方式是使用v4l2-ctl命令预先配置摄像头或者使用v4l2的Python绑定如pyv4l2。这里介绍命令行的方式可以在启动脚本前执行。使用v4l2-ctl预先配置摄像头假设你的USB摄像头是/dev/video0并且你通过v4l2-ctl --list-formats-ext知道它支持MJPG格式下的1280x720分辨率。# 1. 列出所有可控制的参数 v4l2-ctl -d /dev/video0 -l # 2. 设置像素格式为MJPG如果支持的话这能大幅降低带宽压力 v4l2-ctl -d /dev/video0 --set-fmt-videowidth1280,height720,pixelformatMJPG # 3. 设置帧率 v4l2-ctl -d /dev/video0 --set-parm30 # 4. 检查当前设置 v4l2-ctl -d /dev/video0 --get-fmt-video --get-parm配置完成后再运行上面的Python脚本。此时OpenCV会从已经配置好的摄像头设备读取图像稳定性更好。在Python脚本中集成V4L2设置进阶你可以使用Python的subprocess模块在脚本开头调用这些命令实现自动化配置。5.3 方法三使用GStreamer管道调用USB摄像头高性能对于性能要求高的场景或者当OpenCV的V4L2后端表现不佳时可以像CSI摄像头一样为USB摄像头构建GStreamer管道并通过OpenCV的GStreamer后端打开。这种方式能更精细地控制数据流。示例管道def gstreamer_pipeline_usb( device_id0, capture_width1280, capture_height720, framerate30, display_width640, display_height480, pixelformatMJPG, # 或 YUYV ): if pixelformat MJPG: # 使用MJPG格式需要jpegdec解码 return ( fv4l2src device/dev/video{device_id} ! fimage/jpeg, width{capture_width}, height{capture_height}, framerate{framerate}/1 ! fjpegdec ! fvideoconvert ! fvideo/x-raw, formatBGR ! fvideoscale ! fvideo/x-raw, width{display_width}, height{display_height} ! fappsink droptrue ) else: # 默认使用YUYV原始格式 return ( fv4l2src device/dev/video{device_id} ! fvideo/x-raw, formatYUY2, width{capture_width}, height{capture_height}, framerate{framerate}/1 ! fvideoconvert ! fvideo/x-raw, formatBGR ! fvideoscale ! fvideo/x-raw, width{display_width}, height{display_height} ! fappsink droptrue ) # 在代码中调用 cap cv2.VideoCapture(gstreamer_pipeline_usb(pixelformatMJPG), cv2.CAP_GSTREAMER)优势格式控制精确可以明确指定使用MJPG还是YUYV格式。性能优化droptrue参数让appsink在应用处理不过来时丢弃旧帧而不是堆积避免延迟越来越高。稳定性GStreamer管道有时比OpenCV直接读更稳定尤其在高分辨率高帧率下。6. 性能调优与高级技巧仅仅能打开摄像头显示图像还不够在实际项目中我们更需要稳定、低延迟、低CPU占用的视频流。6.1 帧率与延迟测量你需要量化你的摄像头性能。在循环中简单计算帧率import time fps_start_time time.time() fps_frame_count 0 fps 0 while True: ret, frame cap.read() fps_frame_count 1 if fps_frame_count 30: # 每30帧计算一次 fps_end_time time.time() fps fps_frame_count / (fps_end_time - fps_start_time) print(f当前FPS: {fps:.2f}) fps_frame_count 0 fps_start_time time.time() # ... 其他处理对于延迟一个简单方法是在镜头前快速挥手观察屏幕上动作的滞后感。更精确的方法需要硬件同步。6.2 多线程处理采集与处理分离这是提升性能的关键技巧。如果图像处理如运行YOLO模型很耗时会阻塞主线程导致采集帧率下降延迟增加。解决方案是使用一个独立的线程专门负责从摄像头读取帧并放入一个队列中主线程或另一个处理线程从队列中取帧进行处理。使用Python的threading和queue模块from threading import Thread import queue import time class VideoStreamThread: def __init__(self, src0): self.cap cv2.VideoCapture(src) self.q queue.Queue(maxsize2) # 队列大小设为2避免堆积 self.running False self.thread None def start(self): self.running True self.thread Thread(targetself.update, args()) self.thread.daemon True self.thread.start() return self def update(self): while self.running: if not self.q.full(): # 队列未满时才读新帧 ret, frame self.cap.read() if ret: self.q.put(frame) else: break else: time.sleep(0.01) # 队列已满稍作等待 def read(self): if not self.q.empty(): return True, self.q.get() else: return False, None def stop(self): self.running False if self.thread is not None: self.thread.join() self.cap.release() # 使用方式 stream VideoStreamThread(gstreamer_pipeline(...)).start() # 或 USB 摄像头ID time.sleep(1.0) # 让摄像头预热 while True: ret, frame stream.read() if ret: # 在这里进行耗时的图像处理不会阻塞摄像头采集 # result your_heavy_model(frame) cv2.imshow(Frame, frame) if cv2.waitKey(1) 0xFF ord(q): break stream.stop()这样即使你的处理代码很慢摄像头也能以最大能力持续采集最新帧处理线程总是从队列中获取最新的那一帧旧的帧会被丢弃保证了系统的实时性。6.3 分辨率与格式的权衡分辨率更高的分辨率意味着更多的像素数据处理更慢传输带宽要求更高。在Jetson Nano上对于实时AI应用720p1280x720通常是性能和精度的良好平衡点。人脸识别等任务甚至320x240也够用。格式CSI摄像头优先使用NVMM内存格式配合硬件编解码器。USB摄像头如果摄像头和USB总线能承受且CPU有富余用YUYV画质最好。如果追求高帧率或分辨率务必选择MJPG。MJPG是压缩格式USB传输的是压缩后的JPEG图像带宽占用可能只有YUYV的1/5到1/10。虽然需要CPU解码Jetson Nano的CPU解码JPEG速度尚可但综合来看获得高帧率的可能性大大增加。可以通过v4l2-ctl --list-formats-ext查看MJPG支持的最高分辨率帧率。6.4 供电与稳定性CSI摄像头通常由Jetson Nano通过排线直接供电一般无需额外供电。USB摄像头这是最大的坑点之一。Jetson Nano的USB端口供电能力有限。如果摄像头功耗较大尤其是带红外补光灯、电机云台的会出现摄像头反复连接断开。Jetson Nano自动重启。图像出现横条纹或闪烁。解决方案使用带外部电源的USB集线器俗称“带电的HUB”。将摄像头接到带电的HUB上再将HUB连接到Jetson Nano。7. 常见问题与排查技巧实录在实际操作中你几乎一定会遇到下面这些问题。这里是我的排查清单。7.1 CSI摄像头相关问题问题1运行GStreamer命令或OpenCV脚本提示nvarguscamerasrc找不到或Device is busy。可能原因1摄像头排线未接好或摄像头损坏。排查断电重新插拔排线确保卡扣锁紧。尝试另一个已知好的CSI摄像头。可能原因2相机传感器未上电或驱动未加载。排查运行ls /dev/video*看看是否有video设备。运行dmesg | grep -i camera或dmesg | grep -i imx219查看内核启动信息是否有摄像头被探测到的日志。如果没有可能是设备树Device Tree配置问题。对于官方镜像通常已配置好。可能原因3已有其他进程占用了摄像头。排查运行sudo fuser /dev/video0假设设备是video0查看哪个进程在使用。或者重启系统确保没有其他自启动程序如一些演示程序占用了摄像头。问题2图像颜色异常、过曝或全黑。可能原因传感器参数需要调整。nvarguscamerasrc有很多可调参数。排查与解决在GStreamer管道中添加参数。例如# 调整增益和曝光时间 gst-launch-1.0 nvarguscamerasrc gainrange1 10 ispdigitalgainrange1 8 exposuretimerange100000 10000000 ! ...更常用的方法是使用nvarguscamerasrc的aeLock和awbLock属性来锁定自动曝光和白平衡避免画面闪烁。在Python管道字符串中加入nvarguscamerasrc aeLock1 awbLock1 ! ...。7.2 USB摄像头相关问题问题1cv2.VideoCapture(0)打开失败返回False。可能原因1设备号不对。排查运行ls /dev/video*和v4l2-ctl --list-devices确认你的USB摄像头对应的设备文件如/dev/video2。在代码中使用这个数字或完整路径。可能原因2权限不足。排查运行ls -l /dev/video0查看权限。通常属于video组。将当前用户加入video组sudo usermod -a -G video $USER然后注销重新登录生效。可能原因3摄像头已被其他程序占用。同CSI问题3可能原因4摄像头不支持OpenCV尝试打开的默认格式或分辨率。排查先用cheese或guvcview这样的图形化工具测试摄像头是否能工作。如果可以说明是OpenCV参数问题。尝试先用v4l2-ctl设置好格式分辨率再用OpenCV打开。问题2帧率很低画面卡顿。可能原因1分辨率或格式导致USB带宽不足。排查使用v4l2-ctl --list-formats-ext查看支持的模式。尝试切换到MJPG格式并降低分辨率如640x480。在代码中或使用v4l2-ctl设置。可能原因2CPU占用过高解码或处理不过来。排查运行htop查看CPU使用率。如果MJPG解码占用高可以尝试使用OpenCV的CAP_PROP_BUFFERSIZE属性减小缓冲区cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)。这会让OpenCV只缓冲一帧减少延迟但可能增加丢帧概率。可能原因3供电不足。见6.4节问题3图像出现横条纹、闪烁或颜色失真。几乎可以肯定是供电问题。立即使用带外接电源的USB集线器。7.3 OpenCV与GStreamer通用问题问题使用GStreamer管道时OpenCV报错error while opening video stream。可能原因GStreamer管道字符串有语法错误或缺少插件。排查将管道字符串打印出来仔细检查括号、逗号、感叹号。在终端中用gst-launch-1.0命令直接测试这个管道把最后的appsink换成autovideosink以便显示。终端会给出更详细的错误信息例如缺少哪个插件。安装可能缺失的GStreamer插件sudo apt install -y gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav问题运行一段时间后程序崩溃或无响应。可能原因内存泄漏或资源未释放。确保在while循环后和程序退出前正确执行了cap.release()和cv2.destroyAllWindows()。可能原因过热降频。Jetson Nano在散热不良时会降低CPU和GPU频率以保护硬件。确保有良好的散热如安装散热风扇并可以运行sudo jetson_clocks命令强制满频率运行测试用长期使用需做好散热。最后分享一个我个人在项目中的小技巧为每个摄像头编写一个独立的配置类或配置文件。将设备ID、分辨率、帧率、GStreamer管道字符串等参数都放在里面。这样当你在不同环境开发、测试、生产或更换摄像头时只需要修改配置文件而不需要去代码里到处找硬编码的参数大大提升了可维护性。视觉模块是AI项目的眼睛把它调稳定了后面的路才好走。