抡锤者

我也在做这种项目， 我把隔若干帧取的图片都用Yolo识别，然后处理成结构化的信息。
最早也想用大模型，发现很难，不如yolo快准

Qwen3.8-27B 3位量化的那个版本， 是当前最优的了。 我用自己编译的NInfer，在4080 32Gddr5的配置下 能跑到100-130tokens/s 。很满足了。