1. 课程导入与场景锚定

在正式动手导出模型之前，先把三件事看清楚：我们要解决的农业识别任务到底长什么样、ONNX在其中扮演什么角色、以及这门课会带你做出什么。很多同学一上来就急着敲 torch.onnx.export，结果模型在服务器上跑得好好的，一放到田间地头的边缘设备上就报错、变慢、精度掉点。根本原因往往不是导出命令写错了，而是对"任务—模型—运行时—硬件"这条链路缺乏整体认知。本节就是帮你把这条链路先搭起来。

农业识别任务全景：不是只有"分类"

农业场景下的视觉识别任务，按输出形态大致可以分成四类，它们对模型导出和部署的要求差异很大：

• 图像分类：判断一张图属于哪一类，例如作物病害类别（健康、叶斑病、锈病）、成熟度等级。输出是一个概率向量，后处理最简单，导出时最不容易出问题。
• 目标检测：定位并识别多个对象，例如数果实、找虫害、检测杂草。输出通常是边界框坐标加类别分数，后处理涉及 NMS（非极大值抑制），是导出后最容易"精度对不上"的环节。
• 语义分割：逐像素分类，例如地块分割、病斑区域面积统计。输出是与输入同尺寸（或下采样后）的掩码，对输入尺寸的动态性较敏感。
• 关键点/姿态：例如植株茎秆关键点、果实采摘点定位，输出是坐标点集合，常用于采摘机器人。

这四类任务的共同点是：训练框架多为 PyTorch，而最终落地的设备五花八门——云端 GPU 服务器、田间边缘盒子（如 Jetson 系列）、工控机、甚至手机 App。训练环境和部署环境的这种"错位"，正是 ONNX 要解决的问题。

ONNX 的角色：模型世界的"通用插头"

ONNX（Open Neural Network Exchange）是一种开放的模型表示格式。你可以把它理解成模型世界的通用插头：PyTorch、TensorFlow、PaddlePaddle 等框架训练出的模型，先转换成 ONNX 这个中间表示，再由 ONNX Runtime、TensorRT、OpenVINO 等推理引擎加载执行。它的价值体现在三个层面：

框架解耦——部署端不需要安装庞大的训练框架，只需要一个轻量推理引擎；硬件解耦——同一份 ONNX 模型可以通过不同 Execution Provider 跑在 CPU、CUDA GPU、TensorRT、OpenVINO 等后端上；图优化——ONNX 图在导出和推理阶段可以做算子融合、常量折叠等优化，提升推理速度。

但要注意，ONNX 不是"万能转换器"。它只保证计算图结构的可移植性，不保证每个算子在所有后端都被支持，也不保证数值结果逐位一致。所以导出之后必须做一致性校验，这一点后面章节会反复强调。

课程实战项目：一个贯穿始终的病害识别模型

为了让知识不悬空，本课程围绕一个具体的实战项目展开：作物叶片病害分类模型。设定如下（均为教学示例，非实测数据）：输入为 224×224 的 RGB 叶片图像，主干网络采用轻量级卷积网络，输出 5 类——健康、叶斑病、锈病、白粉病、虫害。训练在 PyTorch 中完成，最终目标是让这个模型能同时跑在云端服务器和一台边缘设备上。

选择分类任务作为主线，是因为它足够简单，能把注意力集中在"导出—校验—部署"这条主链上；同时它又足够真实，涵盖了农业识别中最常见的落地形态。在后续章节中，我们会逐步加入动态 batch、预处理融合、量化等进阶内容，让这个项目从"能跑"走向"好用"。

学习路径：四段式推进

整门课按能力递进分为四个阶段，你可以对照自己的基础选择性加速：

1. 认知与准备（第 1–6 章）：理解 ONNX 生态、环境搭建、模型结构与输入输出签名梳理。这一阶段的关键产出是"知道自己要导出什么"。
2. 导出与校验（第 7–15 章）：掌握 torch.onnx.export 的关键参数（opset、dynamic_axes、input_names/output_names），处理常见算子不支持问题，并用 ONNX Runtime 做数值一致性比对。这一阶段的关键产出是"一份可信的 .onnx 文件"。
3. 优化与加速（第 16–23 章）：图优化、算子融合、INT8 量化、动态尺寸适配，以及不同 Execution Provider 的选择与调优。关键产出是"满足端侧时延与体积要求的模型"。
4. 部署与工程化（第 24–30 章）：在边缘设备上完成推理服务封装、预处理/后处理对齐、性能压测与上线检查。关键产出是"可交付的部署方案"。

先建立一条判断标准

在后续所有章节中，我们都用同一套标准判断"导出是否成功"：其一，ONNX 模型能被 ONNX Runtime 正常加载且无算子告警；其二，在相同输入下，ONNX 输出与 PyTorch 输出的最大绝对误差在可接受范围内（分类任务通常关注 top-1 是否一致，数值误差可参考 1e-4 量级）；其三，端侧推理时延与内存占用满足业务约束。这三条会在不同章节被反复使用，请先记住它们。

现在你已经知道这门课要做什么、为什么用 ONNX、以及会经过哪些阶段。接下来就可以进入环境准备，把工具链装起来，让第一个模型真正跑通导出流程。