📘 边缘AI模型实战
30章 · 从训练到部署
⚡ 树莓派 · TFLite · OpenVINO
01
边缘AI概述
什么是边缘AI · 边缘vs云端 · 智能家居/工业视觉/可穿戴 · 树莓派实时检测项目概览
02
开发环境搭建
树莓派4B/5 · 系统烧录 · Miniconda · SSH + VSCode远程开发
03
Python基础回顾 (上)
list/dict/set · 函数与作用域 · 文件I/O · 重点：图片读取
04
Python基础回顾 (下)
面向对象 · 装饰器(模型缓存) · 生成器(数据流) · 异常处理
05
NumPy基础
数组创建/广播 · 矩阵运算(图像基础) · 随机数(数据增强)
06
OpenCV基础
图像读写 · BGR↔RGB · 缩放裁剪 · Canny边缘检测
07
深度学习基础 (上)
感知机 · 激活函数(ReLU/Sigmoid) · 损失函数 · 反向传播
08
深度学习基础 (下)
CNN核心(卷积/池化/全连接) · MobileNet/YOLO · 过拟合与正则化
09
PyTorch入门
张量操作 · Autograd · 线性回归 · 模型保存/加载
10
数据集准备
COCO/ImageNet · LabelImg标注 · 自定义数据集 · DataLoader
11
模型训练 (上)
迁移学习 · 预训练模型(torchvision) · 冻结层 · 修改分类头
12
模型训练 (下)
train/val循环 · 损失曲线 · 超参数调优 · mAP/F1 Score
13
模型优化 (上)
剪枝原理 · PyTorch剪枝实战 · 量化基础 FP32→INT8
14
模型优化 (下)
知识蒸馏 · ONNX导出 · ONNX模型验证
15
模型转换与部署 (上)
TFLite介绍 · PyTorch→ONNX→TFLite · 动态/静态/全整型量化
16
模型转换与部署 (下)
OpenVINO套件 · Model Optimizer · Inference Engine · 性能基准
17
树莓派部署实战 (上)
系统优化(关闭GUI) · 安装libcamera/OpenCV · TFLite Runtime
18
树莓派部署实战 (下)
picamera2实时捕获 · 推理循环 · FPS/边界框 · 多线程流水线
19
边缘推理框架 (上)
ONNX Runtime · CPU/GPU/NPU · 树莓派运行ONNX模型
20
边缘推理框架 (下)
MediaPipe框架 · 手部关键点检测 · 自定义模型集成Pipeline
21
模型服务化 (上)
Flask推理API · JSON/Base64 · ThreadPoolExecutor并发
22
模型服务化 (下)
Docker多阶段构建 · docker-compose · 边缘容器部署
23
数据流水线 (上)
生产者-消费者 · multiprocessing.Pool · Queue管理
24
数据流水线 (下)
RTSP/RTMP视频流 · 帧丢弃 · 断线重连 · logging模块
25
模型监控与日志
推理延迟(time.perf_counter) · psutil资源监控 · 告警阈值
26
模型更新与OTA
远程更新 · 差分更新(Delta) · Model Registry · 回滚策略
27
安全与隐私
AES模型加密 · 输入脱敏 · TLS通信 · TPM/安全芯片
28
项目实战 (上)
需求分析 · 采集标注500张 · 训练优化 mAP≥0.85
29
项目实战 (下)
树莓派部署测试 · 端到端延迟<100ms · 现场演示排查
30
课程总结与展望
TinyML/NPU芯片 · 学习路径 · GitHub/社区 · 结业项目展示