2. Intel边缘硬件平台选型与配置

在Intel边缘视觉终端上做推理部署，最先要回答的问题不是“用哪个模型”，而是“把模型放到哪块计算单元上跑”。同一台终端里往往同时存在CPU、集成GPU、VPU（Movidius）以及可选FPGA加速卡，它们并不是互相替代的关系，而是各自承担不同形态的负载。选型的本质，是把视觉任务的算力需求、功耗预算、接口约束和软件栈成熟度，与这些计算单元的特性做匹配。

四类计算单元在视觉推理中的定位

CPU是通用控制核心，负责图像采集调度、预处理、后处理、业务逻辑和结果上报。它的优势是编程模型统一、生态完整、分支与不规则计算灵活；劣势是并行吞吐有限，跑大分辨率卷积网络时功耗效率低。在边缘终端上，CPU通常承担YOLO类模型的NMS、坐标还原、跟踪逻辑，以及OpenVINO推理管线的编排。

集成GPU（Intel UHD/Iris Xe）拥有大量EU执行单元，适合高并行度的卷积、矩阵运算和图像缩放。它共享系统内存，无需额外拷贝即可做零拷贝推理，适合多路视频解码后直接推理的场景。典型用法是把ResNet、MobileNet、YOLOv8等模型编译为GPU插件执行，吞吐通常明显高于CPU，但功耗也随占用上升。

VPU（Movidius Myriad X）是专用视觉加速器，内置神经计算引擎和16个SHAVE向量核，主打低功耗下的定点推理。它适合7×24小时常驻的轻量检测、分类任务，例如1080p下的人形检测、人脸检测。代价是算子支持受限于定点量化，动态shape和复杂后处理需要回落到CPU。

FPGA（如Arria 10、Cyclone V SoC）提供可编程逻辑，能把预处理、推理、后处理整条流水线硬化，延迟确定、能效比高，适合多路高帧率、超低延迟的工业检测。但开发门槛高，需要RTL或OpenCL/oneAPI定制，迭代周期长，通常只在CPU/GPU/VPU都无法满足确定性延迟时才选用。

按功耗、算力、接口做选型

选型可以按三个维度依次收敛。第一是算力需求：先估算目标模型的单帧计算量。以YOLOv8n为例，输入640×640时约8.7 GFLOPs，若要求30 FPS，则需约260 GFLOP/s的持续算力。CPU单核通常只能提供几十GFLOP/s，集成GPU可达数百GFLOP/s，VPU在INT8下约1 TOPS量级，FPGA则取决于逻辑资源与时钟。第二是功耗预算：无风扇工控机整机常限制在15～25 W，VPU方案可压到5 W以内，GPU方案通常需要10 W以上并考虑散热。第三是接口需求：多路GigE Vision相机需要多网口与PoE，MIPI相机需要专用CSI通道，FPGA方案还要考虑PCIe带宽与DMA。

一个实用的判断顺序是：先用VPU试跑量化后的轻量模型，若精度或算子支持不满足，再升级到集成GPU；若需要多路高帧率且延迟抖动必须小于毫秒级，才考虑FPGA。CPU始终保留，用于编排和兜底。

基础系统安装与验证

以Ubuntu 22.04 LTS为例，安装完成后先确认内核与设备识别。安装OpenVINO运行时并检查各计算单元是否可用：

# 查看CPU与集成GPU
lscpu | grep "Model name"
ls /dev/dri/render*        # 集成GPU渲染节点

# 查看VPU（需插入Movidius并安装驱动）
lsusb | grep -i movidius
ls /dev/vpu* 2>/dev/null

# 安装OpenVINO并列出可用设备
source /opt/intel/openvino/setupvars.sh
benchmark_app -m model.xml -d AUTO -hint throughput

其中 -d AUTO 会让OpenVINO自动选择可用设备，-d GPU、-d MYRIAD、-d CPU 可分别指定。运行 benchmark_app 后重点看三项：Throughput（FPS）、Latency（ms）和设备实际占用。若VPU报算子不支持，日志会提示回退到CPU的层，此时应改用INT8量化模型或更换算子。

一份可执行的选型对照表

完成选型后，建议先用 benchmark_app 在目标设备上跑通模型，记录FPS与延迟，再接入实际视频流做端到端验证。只有当推理吞吐、延迟和功耗三项都落在预算内，硬件选型才算真正闭环。