4. 工业AI模型选型与Kria部署约束

在Kria KV260或KR260上做工业AI推理，模型选型不是“精度越高越好”，而是要在检测精度、推理延迟、功耗和FPGA资源之间找到可落地的平衡点。Kria的核心计算资源是PL端的DPU（Deep Learning Processing Unit），以KV260常见的DPUCZDX8G为例，典型配置为B4096（4096个DSP等效乘加单元），在1.5GHz左右时钟下可提供约1.4 TOPS的INT8算力。这个数字决定了模型不能无限大：一个ResNet-50的INT8版本约25.6M参数、4.1G MACs，在B4096上单帧推理约十几毫秒；而YOLOv5s约7.2M参数、16.5G MACs，单帧往往需要30～50ms。选型的第一步，就是先算清楚模型的MACs和参数量，再对照DPU的算力预算。

工业场景通常分三类：质检、机器人和安防。质检以缺陷检测、分类、分割为主，输入分辨率高（如1280×1024），对漏检率敏感；机器人以目标检测、位姿估计、避障为主，要求低延迟（<30ms）和确定性；安防以人形、车辆、行为识别为主，可接受稍高延迟，但需要多路视频并行。这三类需求直接对应不同的模型族：ResNet适合高精度分类和特征提取，MobileNet适合轻量分类和骨干网络，YOLO适合实时检测。选型时先明确任务类型，再匹配模型族，最后用输入尺寸和量化敏感度做微调。

输入尺寸是第二个关键约束。DPU对输入张量的通道对齐有要求：通常需要通道数为4的倍数，且H×W不宜超过4096。YOLOv5s默认640×640，在B4096上单帧约35ms；若降到416×416，MACs从16.5G降到约7G，延迟可压到20ms以内，但小目标召回率会下降。质检场景中，缺陷往往只有几十像素，此时不能盲目降分辨率，而应改用切图推理（tiling）：把1280×1024切成4块640×512分别推理，再合并结果。代价是4倍推理次数，但保留了小目标细节。MobileNetV2在224×224下仅0.3G MACs，即使切图也游刃有余，适合作为高分辨率质检的骨干网络。

量化敏感度是第三个约束，也是最容易被忽视的。DPU只支持INT8推理，模型必须经过量化。ResNet的BN层在量化前需要融合进卷积，融合后INT8掉点通常在0.5%～1.5%；MobileNet的深度可分离卷积对量化天然友好，掉点往往小于1%；YOLO的检测头包含大量小数值回归输出，直接PTQ（训练后量化）可能导致mAP掉3～8个百分点，必须用QAT（量化感知训练）或至少用500～1000张校准图做PTQ校准。在Vitis AI中，量化流程是：先导出ONNX，再用`vai_q_onnx`做量化，校准集要覆盖工业现场的光照、角度和缺陷类型，否则量化后的模型在产线上会“水土不服”。

下面给出一个可执行的选型决策表，按任务类型、延迟预算和精度要求三个维度交叉判断。表中参数为示例参考值，实际需以Vitis AI编译后的实测为准。

最后强调一个工程原则：模型选型不是一次性的，而是“编译—实测—回退”的迭代过程。先在PC上用Vitis AI量化并编译，得到`.xmodel`，再部署到Kria上用`xir`或`vaitrace`测实际延迟。如果延迟超标，优先降输入尺寸，其次换更轻的模型，最后才考虑降低精度要求。工业场景中，一个稳定跑30ms的YOLOv8n，往往比一个勉强跑20ms但偶尔丢帧的YOLOv5s更有价值。选型的终点不是“最优模型”，而是“在Kria资源约束下可稳定交付的模型”。