VIP20

本课程属于：034-边缘AI工业视觉缺陷检测 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

5. 工业视觉模型转换：PyTorch到ONNX再到边缘引擎

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

学习目标 · 课程结构 · 工业视觉模型转换的整体流程与价值

课程导入学习目标

工业视觉基础

典型工业视觉任务（检测 · 分割 · 分类）

工业视觉基础典型工业视觉任务

PyTorch模型基础

PyTorch模型定义 · 训练与保存（state_dict · 完整模型）

PyTorch模型基础

ONNX格式详解

ONNX的由来 · 设计目标 · 计算图表示

ONNX格式详解

torch.onnx.export参… · 动态轴设置 · 输入输出命名

ONNX模型检查与优化

使用onnx.checker · onnx.shape_inferen… · onnxoptimizer进行验证与…

ONNX模型检查

ONNX算子兼容性

常见PyTorch算子到ONNX的映… · 不支持的算子处理（自定义算子 · 分解）

ONNX算子兼容性

ONNX Runtime推理

ONNX Runtime安装 · CPU/GPU推理 · session配置

边缘引擎概述

常见边缘推理引擎（TensorRT · OpenVINO · TFLite

边缘引擎概述TensorRT

ONNX到TensorRT

TensorRT工作原理 · onnx-tensorrt转换 · 精度校准（FP16/INT8）

ONNX到OpenVINO

OpenVINO模型优化器 · IR格式 · CPU/VPU部署

ONNX到RKNN（瑞芯微）

RKNN-Toolkit转换流程 · 量化 · NPU部署

ONNX到Horizon（地平线）

地平线工具链 · 模型转换 · 量化与性能优化

模型量化基础

量化原理（PTQ/QAT） · 对称/非对称量化 · 校准数据集

模型量化基础PTQ/QAT

边缘引擎部署实战

以YOLOv5为例 · 从PyTorch到ONNX再到Ten…

边缘引擎部署实战YOLOv5

分割模型转换实战

以UNet或DeepLab为例 · 处理动态输入 · 多输出

分割模型转换实战UNet

关键预处理与后处理对齐

归一化 · 颜色通道 · resize

关键预处理后处理对齐

模型转换中的精度验证

对比PyTorch与边缘引擎输出 · 设置容忍度 · 定位精度差异来源

模型转换精度验证

性能优化策略

推理延迟 · 吞吐量 · 内存占用

性能优化策略推理延迟

边缘引擎部署架构

边缘设备选型 · 推理服务设计 · 与工业相机/PLC集成

边缘引擎部署架构边缘设备选型

常见问题与排查

转换失败 · 算子不支持 · 动态轴错误

常见问题排查

模型版本管理与迭代

模型注册 · 版本回滚 · A/B测试

模型版本管理迭代

安全与可靠性

模型加密 · 防篡改 · 异常检测

安全可靠性

工业缺陷检测（如表面划痕）从PyTo…

案例实战PyTo

工业OCR识别（如字符打印）模型转换…

案例实战OCR

工业目标定位（如零件抓取）模型转换与…

案例实战工业目标定位

构建一个完整的工业视觉边缘推理系统 · 涵盖模型转换 · 优化

综合项目构建一个完整的工…

前沿与趋势

Transformer在工业视觉的应… · 动态shape支持 · 自动化模型转换工具

核心知识点回顾 · 常见误区 · 学习路径建议

课程总结核心知识点回顾

综合实战任务 · 要求完成从PyTorch到ONNX再… · 并提交性能与精度报告

结课考核综合实战任务