📚 课程目录第3章交付流程概览

3. 交付流程概览

边缘视频AI项目的交付并非简单的“装软件、接摄像头”过程，而是一个涉及硬件选型、算法适配、网络规划、现场施工与长期运维的系统工程。与云端AI项目不同，边缘视频AI的交付强依赖于物理环境（如光照、遮挡、网络稳定性）和算力边界（如GPU/NPU的算力上限）。一个完整的交付生命周期通常划分为四个核心阶段：需求分析与方案设计、部署实施、验收测试、运维移交。每个阶段都有其独立的输入、输出、质量门禁和风险控制点。本章将围绕这一生命周期，详细拆解每个阶段的关键任务、操作流程、常见误区，并结合一个实际的智慧园区项目案例，帮助读者建立端到端的交付全局观。

上图展示了边缘视频AI交付的四个阶段及其核心产出物。值得注意的是，交付并非线性结束，而是通过虚线反馈回路形成闭环——运维阶段发现的问题（如算法误报率高、设备过热）会驱动新一轮的需求分析和方案优化。下面我们将逐一深入每个阶段。

3.1 需求分析：定义“做什么”与“不做什么”

核心原理：需求分析是交付的基石，其目标不是简单地记录客户“想要什么”，而是通过结构化访谈和现场勘测，将模糊的业务期望转化为可量化、可测试的技术指标。对于边缘视频AI，需求分析必须覆盖四个维度：业务场景（检测对象、行为规则）、性能指标（准确率、时延、并发路数）、环境约束（光照、网络、温度）、合规要求（数据隐私、存储期限）。

操作流程：

干系人访谈：分别与业务部门（如安保主管）、IT部门（网络管理员）、运维部门（值班人员）沟通，收集不同视角的诉求。
现场勘测：记录摄像头安装位置、角度、视野范围、补光条件、网络布线距离。使用测光仪、网络测试仪获取客观数据。
可行性初判：基于现有硬件（如已有摄像头分辨率）和网络带宽，初步判断哪些需求可实现，哪些需要升级改造。
输出SOW（工作说明书）：明确项目范围、交付物清单、验收标准、假设条件与排除项。

关键输入数据示例：某工厂要求部署“安全帽佩戴检测”，需明确：摄像头为200万像素，安装高度6米，俯仰角30度，检测区域宽度8米。通过计算，目标像素高度约为25像素，勉强达到检测下限。若客户要求识别距离超过15米，则需更换400万像素摄像头或增加补光。

需求维度	关键问题	量化指标示例
业务场景	检测什么？什么行为算违规？	区域入侵、越界、烟火、未戴安全帽
性能指标	准确率要求？告警时延？	准确率≥95%，误报率≤5%，时延≤2秒
环境约束	夜间是否工作？网络是否稳定？	照度≥10Lux，网络丢包率≤0.1%
合规要求	视频存储多久？是否涉及隐私？	存储≥30天，人脸数据脱敏

常见误区：只关注算法功能，忽略网络带宽。例如，20路1080P摄像头同时传输视频流，需要约80Mbps上行带宽。若现场仅有4G网络（实际速率约20Mbps），则必须采用边缘端推理，只上传告警截图而非全量视频流。

3.2 方案设计：将需求映射为技术架构

核心原理：方案设计的核心是算力分配与数据流规划。边缘视频AI的算力可以分布在摄像头端（智能IPC）、边缘盒子（如NVIDIA Jetson）、边缘服务器（GPU服务器）或三者混合。设计的关键在于平衡时延、成本、准确率三者关系。

判断方法：

简单场景（如单路周界检测）：优先考虑智能IPC内置算法，成本最低，无需额外硬件。
中等规模（如10-50路，需多算法）：采用边缘盒子，集中处理多路视频流，便于统一管理。
复杂场景（如50路以上，需频繁更新模型）：部署边缘服务器，支持GPU加速和容器化部署，灵活扩展。

网络拓扑设计：需明确视频流走向——是“摄像头→边缘节点→平台”，还是“摄像头→边缘节点→云端备份”。同时要规划管理网络与业务网络分离，避免视频流量阻塞管理通道。

经验提醒：在设计阶段务必进行压力测试。使用视频模拟器或录制好的视频流，在实验室环境模拟最大路数并发，观察CPU/GPU利用率、内存占用、丢帧率。例如，某边缘盒子标称支持16路1080P，但实际在16路全动态场景下，GPU利用率达到95%，导致时延超标。通过测试发现需将路数限制为12路或降低分辨率。

# 方案设计阶段需输出的关键配置参数示例（以海康IVMS平台为例）
[device]
camera_count = 16
resolution = 1920x1080
frame_rate = 25fps
codec = H.265
bitrate = 4096Kbps

[edge_node]
model = Jetson AGX Orin
ai_cores = 275 TOPS
memory = 32GB
max_channels = 16 (1080P@25fps)

3.3 部署实施：从图纸到现实

核心原理：部署实施阶段是将设计方案落地的过程，包含环境准备、设备安装、系统配置、算法联调四个子任务。此阶段最容易出现“设计完美，实施走样”的问题，因此必须建立标准化的操作流程（SOP）和配置基线。

操作流程：

环境准备：检查电源（电压、功率）、网络（IP地址规划、VLAN划分）、机柜空间、散热条件。
设备安装：固定边缘计算盒子、连接摄像头、配置交换机。注意PoE供电的功率限制。
基础配置：设置设备IP、网关、DNS，关闭不必要的服务，修改默认密码。
算法部署：将训练好的模型文件（如.engine、.rknn格式）导入边缘设备，配置推理参数（置信度阈值、NMS阈值）。
联调测试：逐路接入摄像头，验证视频预览、算法检测、告警推送是否正常。

案例拆解：智慧园区安防项目部署

背景：某科技园区需部署周界入侵检测和车辆违停识别，共32路摄像头，使用4台边缘盒子（每台8路）。

初始现象：部署后第2天，运维反馈有3路摄像头频繁掉线，且告警延迟高达5秒。

分析过程：通过查看边缘盒子日志，发现掉线的3路摄像头均连接在同一台接入交换机上。使用iperf测试该交换机上行带宽，发现实际吞吐量仅约60Mbps，而3路1080P视频流加告警数据需要约15Mbps，理论上不应拥塞。进一步检查发现，该交换机开启了广播风暴抑制功能，而摄像头存在异常组播报文，导致交换机丢弃部分数据包。

操作步骤：① 在交换机上关闭组播侦听，改为手动配置VLAN隔离；② 将3路摄像头分散到不同交换机端口；③ 调整边缘盒子网卡缓冲队列长度。

结果对比：掉线问题解决，告警时延降至1.2秒。

复盘经验：部署前必须进行网络基线测试，不能假设交换机默认配置可用；边缘视频AI对网络广播报文敏感，应规划独立的视频VLAN。

3.4 验收运维：交付不是终点

核心原理：验收是确认系统是否满足SOW中定义的指标，而运维是保障系统长期稳定运行。边缘视频AI的运维与传统IT运维不同，需要关注算法模型漂移（如季节变化导致检测率下降）、硬件老化（如风扇积灰导致过热降频）、视频源质量变化（如摄像头镜头脏污）。

验收测试方法：

功能测试：使用预录的测试视频集（包含正样本和负样本），计算准确率、召回率、F1分数。
性能测试：持续运行24小时，记录CPU/GPU利用率、内存占用、告警时延的P95值。
稳定性测试：模拟断网、断电、摄像头离线等故障，验证系统的自动恢复能力。

运维文档整理：必须包含三类文档：操作手册（日常巡检步骤）、故障排查手册（常见告警代码及处理）、配置基线文档（当前所有设备的配置快照）。

运维指标	监控方式	告警阈值	处理建议
设备温度	SNMP/API采集	≥75℃	清理灰尘、增加风扇转速
GPU利用率	nvidia-smi	持续≥95%	降低路数或升级硬件
告警时延	端到端拨测	≥3秒	检查网络拥塞或算法推理耗时
视频丢失	RTSP心跳	丢失≥30秒	检查摄像头电源/网络

常见误区：验收通过后便放松警惕，未建立主动巡检机制。边缘设备长期运行后，存储卡可能损坏、时钟可能漂移、算法模型可能因场景变化（如新建筑遮挡）而失效。建议每季度进行一次模型效果复测，每月进行一次硬件健康检查。

总结复盘：完整的交付生命周期要求项目经理、算法工程师、运维工程师紧密协作。需求阶段要敢于说“不”，设计阶段要留有冗余，部署阶段要严格执行SOP，运维阶段要建立数据驱动的持续优化机制。只有将交付视为一个闭环系统，而非一次性的项目，才能真正发挥边缘视频AI的长期价值。