第1章课程导论与边缘计算基础

1、课程导论与边缘计算基础

大家好，我是你们这门课的主讲人。在嵌入式AI这个领域摸爬滚打了十几年，踩过的坑比走过的路还多（笑）。今天咱们开始第一讲，聊聊边缘计算，以及为什么我坚持要把人脸识别和姿态估计搬到边缘设备上。

说白了，边缘计算就是把计算能力从云端拉到离数据源最近的地方。你想想看，传统的做法是把摄像头采集的画面传到云端服务器，算完了再传回来。但这里有个问题——网络延迟、带宽成本、数据隐私，都是绕不开的坎。

我记得2018年做一个智慧安防项目，客户要求在园区出入口实时识别进出人员。当时方案是云端识别，结果一到早晚高峰，网络拥堵导致识别延迟飙到3秒以上。保安大哥直接跟我说：“你这系统还不如我肉眼快。” 嗯，从那以后我就铁了心研究边缘方案。

边缘计算的核心价值：

这个问题我经常被问到。其实答案很直接：场景需要。

拿人脸识别来说，门禁系统、考勤机、支付终端，哪个不是要求秒级响应？如果每次识别都要经过云端绕一圈，用户体验会非常糟糕。我做过一个测试，在树莓派4B上跑轻量级人脸识别模型，从摄像头捕获到输出结果，平均只要120毫秒。同样的模型放到云端，算上网络往返，至少500毫秒起步。

姿态估计就更典型了。健身App、体感游戏、康复训练，这些场景需要实时跟踪人体关键点。你总不能让用户对着摄像头摆个姿势，等3秒才看到反馈吧？那还怎么练？

我的经验之谈：

边缘设备上跑AI，关键不是追求极致精度，而是在有限资源下找到精度与速度的平衡点。我曾经为了把模型从50MB压缩到5MB，试了十几种量化方法，最后发现混合精度量化效果最好——关键层保留FP16，非关键层用INT8，精度只掉了0.3%，速度却快了4倍。

这门课结束之后，我希望你能做到三件事：

说白了，我不希望你学完只会跑个demo。我希望你遇到实际问题时，能自己分析瓶颈在哪，然后动手解决它。

整个课程我设计了10个章节，环环相扣：

⚠️ 重要提醒：

我建议你每章都跟着动手做，不要只看不练。代码这东西，看十遍不如自己敲一遍。我曾经带过一个学员，理论背得滚瓜烂熟，结果真到部署的时候，连交叉编译工具链都不会配。嗯，动手能力才是硬道理。

硬件方面，我推荐以下三选一：

软件方面，我们会用到Python、C++、ONNX、TensorRT这些工具。别担心，我会带着你一步步配环境。

好了，第一讲就到这里。下一章我们正式进入人脸检测，我会从MTCNN的原理讲起，然后手把手教你在树莓派上部署。有什么问题，欢迎随时交流。

一句话总结：

边缘计算不是云计算的替代品，而是互补方案。人脸识别和姿态估计在边缘设备上落地，考验的不是算法有多先进，而是工程化能力有多强。这门课，就是帮你补齐这块短板。