4. 边缘AI项目需求分析与指标定义

边缘AI项目失败，往往不是模型不够先进，而是需求从一开始就没有被翻译成可验证的工程指标。业务方说“要能实时识别”“功耗要低”“成本要控制”，这些描述无法直接指导选型、训练和部署。需求分析的核心任务，是把模糊的业务语言逐层拆解为模型精度、延迟、功耗、内存和成本五类可交付指标，并明确它们之间的约束关系与优先级。

从业务需求到工程指标的翻译链

以“工厂传送带零件缺陷检测”为例。业务需求是“替代人工目检，漏检率低于人工水平，单条产线改造成本可控”。这条需求需要经过三次翻译：第一次翻译为功能需求——识别划痕、缺角、污渍三类缺陷，输入为传送带上方固定工位的图像；第二次翻译为性能需求——传送带速度0.5 m/s，相机视野覆盖200 mm，要求每件零件在视野内至少被采集3帧，因此单帧处理周期必须小于约130 ms；第三次翻译为资源需求——设备由24 V工业电源供电且有散热限制，整机功耗预算不超过5 W，模型与运行时内存不超过可用RAM的70%。

这个翻译链说明：延迟指标不是拍脑袋定的，而是由物理速度、视野和采样帧数反推出来的。同理，精度指标也不是越高越好，而是要与人工目检的漏检率、误检率对齐，并留出工程余量。

五类核心指标的量化方法

精度指标要区分离线指标与在线指标。离线常用mAP、Top-1、IoU、F1；在线则要定义业务级指标，如漏检率（缺陷被判为合格的比率）和过杀率（合格品被判为缺陷的比率）。两者需要分别设定阈值，因为漏检通常比过杀代价更高。示例中可设定：漏检率≤1.5%，过杀率≤5%，并在验证集上按缺陷类别分别统计，避免某一类缺陷被平均值掩盖。

延迟指标要区分单帧推理延迟、端到端延迟和吞吐。单帧推理延迟是模型前向时间；端到端延迟还包括图像采集、预处理、后处理和非极大值抑制。对传送带场景，真正决定节拍的是端到端延迟。建议用P50和P95两个分位数描述，P95更能反映最坏情况。示例目标：端到端P95≤120 ms，吞吐≥8 FPS。

功耗指标要区分峰值功耗与平均功耗。STM32N6这类带NPU的MCU在NPU满载时电流会明显上升，而传送带场景大部分时间可能处于等待触发状态。因此应定义工作模式功耗和待机模式功耗，并给出占空比假设。示例：推理阶段平均功耗≤3.5 W，待机≤0.5 W，按70%占空比估算整机平均功耗。

内存指标包括Flash占用、RAM占用和NPU专用内存。模型权重、激活值、输入输出张量、中间缓冲区都要计入。常见做法是给出“模型+运行时”总占用上限，并保留20%余量。示例：Flash≤8 MB，RAM≤4 MB，其中激活缓冲区不超过1.5 MB。

成本指标要覆盖BOM成本、开发成本和运维成本。BOM包括主控、传感器、电源、结构件；开发成本包括数据标注、训练算力和人力；运维成本包括现场部署和远程更新。示例：单台BOM目标≤180元，年出货1万台时开发成本摊薄≤15元/台。

指标优先级与冲突处理

五类指标不可能同时最优。工程上必须先确定“硬约束”和“软目标”。硬约束是不可违反的底线，例如漏检率、端到端P95延迟、整机功耗上限；软目标是在满足硬约束后尽量优化的方向，例如过杀率、BOM成本。建议用一张指标卡记录每项指标的数值、单位、测量条件、验证方法和优先级。

当指标冲突时，按以下顺序决策：先保安全与合规，再保业务核心指标，最后优化成本。例如，若量化到INT8后漏检率从1.2%升到2.0%，超过1.5%的硬约束，则不能直接接受，而应尝试混合量化、对缺陷类样本做重加权微调，或提高输入分辨率。若这些手段仍不达标，则需要回到业务侧重新协商漏检率阈值，而不是在工程侧偷偷放宽。

可交付的指标定义模板

下面给出一份可直接填写的指标定义表，字段均围绕边缘AI交付所需的最小信息集。示例数值来自前述传送带场景的合理假设，实际项目应按现场测量替换。

常见误区与检查要点

第一个误区是把离线精度当成在线精度。验证集分布与现场光照、振动、镜头污染差异很大，必须预留现场采集的测试集。第二个误区是只测平均延迟，忽略P95和内存峰值。第三个误区是功耗只测推理瞬间，忽略待机和启动过程。第四个误区是成本只算主控，忽略传感器、电源、连接器和结构件。

检查要点可以归纳为四问：指标是否有明确数值和单位？测量条件是否可复现？验证方法是否可执行？优先级是否已排序？四问全部通过，需求分析才算闭环，后续的模型选型、量化和部署才有稳定的判断依据。