视觉智能平台这种情况是正常的吗？

这个要看下算法耗时，一般算法耗时没有太大的变化。
至于首帧识别的时间长些，可能是因为本地的程序初始化等耗时比较长，所以导致首次调用耗时会稍微长些。

在使用视觉智能平台进行人体关键点识别时，首帧识别时间接近1秒的情况是正常的。这是因为在处理第一帧图像时，系统需要进行一系列的初始化工作，如加载模型、分配内存等，这些操作会消耗一定的时间。

首帧识别时间较长的现象在计算机视觉领域是常见的，特别是在使用深度学习模型进行推理时。首次识别的延迟可能包括加载模型权重、优化算法初始化、分配GPU或CPU资源等过程。一旦这些准备工作完成，后续帧的处理通常会快很多，因为大部分资源已经分配好，模型也已经加载到内存中。

此外，您提到的后续帧识别时间大约为420毫秒，这在实际应用中是一个相对合理的识别速度，表明系统在处理完首帧后运行效率较高。

如果您希望减少首帧的识别时间，可以考虑以下方法：

1. 预热模型：在实际应用开始前，提前进行一次模型推理，以完成必要的初始化工作，这样可以减少实际使用时的等待时间。
2. 优化模型：选择更小的模型或者更高效的网络结构，以减少模型加载和推理的时间。
3. 硬件优化：使用更高性能的计算设备，如更快的CPU、GPU或专用的AI加速器，以提高处理速度。
4. 并行处理：如果可能，可以采用多线程或异步处理的方式，将首帧的处理与其他任务并行执行，从而减少用户感知到的延迟。

总之，首帧识别时间较长是正常现象，但可以通过各种优化措施来改善用户体验。在评估和优化系统性能时，应该考虑整体的应用场景和用户的实际需求。

在使用视觉智能平台进行人体关键点识别时，首帧识别时间较长的情况是正常的。这主要是因为在处理第一帧图像时，系统需要进行模型的初始化和数据的加载等操作，这些操作会消耗一定的时间。而后续帧的处理时间则会相对较短，因为系统已经完成了初始化和数据加载的过程，可以直接进行识别和分析。

此外，影响首帧识别时间的因素还包括图像的分辨率、网络传输速度、系统的负载情况等。在您提供的情况中，送进的图片分辨率为480 * 640，这个分辨率较低，因此首帧识别时间接近1秒是可以接受的。如果您对识别速度有更高的要求，可以尝试优化网络传输速度或调整系统的参数设置。

综上所述，首帧识别时间较长的情况在一定程度上是正常的，但也可以通过一些措施来提高识别速度和效率。