1. 课程导入与Intel边缘视觉终端全景

机器视觉正在从“把图像送到云端算”转向“在摄像头旁边算”。原因很直接：一条产线的缺陷检测往往要求单帧在几十毫秒内给出结论，高清视频流持续上传会吃掉大量带宽，而工厂、电力、交通等现场又常常不允许数据离开本地。Intel 的边缘计算产品线正是围绕这一需求构建的——它把 x86 通用算力、集成显卡、专用视觉加速器和低功耗推理棒组合成不同形态的终端，让开发者可以在离相机最近的位置完成采集、推理、决策与回传。

学习目标与课程定位

本课程的目标不是泛泛介绍“边缘计算是什么”，而是让读者能够独立完成一条可运行的 Intel 边缘视觉链路：选对硬件形态，装好系统与驱动，用 OpenVINO™ 把训练好的模型转换成可在目标设备上高效执行的格式，接入相机或视频源，写出推理程序，最后用延迟、吞吐和准确率三个维度判断部署是否达标。学完本课程，你应当能回答四个问题：这块终端能不能跑我的模型？模型该怎么转换和量化？相机到推理结果之间的数据怎么流动？现场出问题时先查哪一层？

课程按“硬件认知—环境搭建—模型优化—应用开发—性能调优—场景落地”推进，每一章都尽量给出可复现的对象、参数和判断依据，而不是停留在概念层面。

Intel 边缘计算产品线全景

Intel 面向边缘视觉的硬件大致可分为四类，它们在算力、功耗、扩展性和部署位置上各有取舍。

• NUC 迷你主机：体积小、功耗低，通常搭载酷睿 i5/i7 处理器并集成 Iris Xe 显卡。适合单路或双路相机、模型规模中等的场景，例如工位级外观检测、零售客流分析。它的优势是开箱即用、x86 生态完整，缺点是 PCIe 扩展有限，难以插入多张加速卡。
• 工业 PC：具备宽温、防尘、多网口和多 PCIe 插槽，可安装独立显卡或 VPU 卡。适合多相机同步、产线级检测、需要长期稳定运行的场合。选型时要重点关注供电方式、散热设计和相机接口（GigE、USB3、Camera Link）。
• VPU（视觉处理单元）：以 Intel Movidius 系列为代表，典型型号如 Myriad X。它专为低功耗视觉推理设计，可在 1～2 瓦级别提供可观的推理能力，常用于无人机、机器人、智能摄像头等对功耗和体积敏感的设备。
• 神经计算棒（NCS）：把 VPU 做成 USB 形态，插入主机即可获得额外推理算力。NCS2 适合原型验证、小批量部署或给已有 PC 增加一路推理能力，但不适合作为高吞吐生产系统的唯一算力来源。

选择哪一类，取决于三个约束：模型的计算量、相机的路数与分辨率、现场的功耗与空间限制。一个实用的判断顺序是——先估算模型单帧算力需求，再看终端能否在目标帧率下满足，最后才比较价格和体积。

典型部署场景与选型示例

为了让选型更具体，这里给出一个教学示例。假设某工位需要检测零件表面划痕，相机为 1920×1080、30 FPS，模型为轻量级分割网络，单帧在桌面 CPU 上推理约 40 ms。若目标是在边缘端达到 25 FPS 以上，单靠 CPU 显然不够，此时可选用带 Iris Xe 显卡的 NUC，把推理设备设为 GPU，通常能把单帧降到 10～15 ms；若现场有多路相机且需要宽温运行，则应换成工业 PC 并考虑加装 VPU 或独立显卡。这个估算过程不需要精确到毫秒，但必须建立“模型算力—终端能力—目标帧率”三者的对应关系。

开发流程中的关键节点

整条开发链路可以概括为五个节点。第一是需求与选型，明确模型、相机、帧率和环境约束；第二是环境搭建，安装操作系统、相机驱动、OpenVINO Runtime 和必要的 Python 依赖；第三是模型转换，把 PyTorch 或 TensorFlow 模型导出为 ONNX，再用 Model Optimizer 转成 IR，并根据精度损失容忍度决定是否做 INT8 量化；第四是应用开发，编写采集、预处理、推理、后处理和结果输出的代码；第五是调优与验证，用真实数据测量延迟、吞吐和准确率，不达标则回到前序节点迭代。

这五个节点不是一次性直线，而是一个带反馈的循环。实际项目中最常见的返工发生在“模型转换”和“调优验证”之间：量化后精度下降，需要调整校准集或改用混合精度；或者推理速度达标但后处理成为瓶颈，需要把 NMS 等操作也纳入优化范围。

本课程的学习路径

后续章节会沿着这条链路逐层展开。你会先认识各类终端的接口与供电，再动手安装 OpenVINO 并验证设备是否被正确识别；接着学习模型转换与量化的具体命令和参数；然后编写一个完整的相机到推理结果的应用；最后通过延迟分解和吞吐测试，判断系统瓶颈在采集、预处理、推理还是后处理。每一章都会给出可执行的命令、可观察的输出和可判断的指标，帮助你把这套流程真正跑通。