1. 课程导学与工业部署全景

大家好，我是你们这门课的老朋友。在工业视觉这行摸爬滚打了快十年，从最早用 OpenCV 写死阈值，到后来折腾 Caffe、TensorFlow，再到这几年几乎只跟 YOLO 打交道。说实话，模型转换和量化这件事，我踩过的坑比你们见过的模型都多。

今天咱们先不急着敲代码。先聊聊 YOLO 在工厂里到底能干啥，为什么非得做转换和量化，以及这门课能带你走到哪。

1.1 YOLO 在工业场景中的价值

工业视觉和互联网 CV 完全是两码事。互联网追求“差不多就行”，工业追求“一个都不能漏”。

我举个例子。之前给一家汽车零部件厂做产线检测，检测发动机缸体表面的铸造气孔。要求是：漏检率低于 0.01%，单张图片处理时间 小于 50 毫秒。你想想看，用传统算法写特征工程，写到你怀疑人生。但 YOLO 端到端出框，一个模型搞定定位+分类，省了多少事。

YOLO 在工业场景的核心价值，我总结为三点：

维度	传统视觉算法	YOLO 方案
开发效率	每个缺陷写一套特征，调试周期以周计	标注+训练，几天迭代一版
泛化能力	光照一变就崩，需要重新调参	数据增强+迁移学习，鲁棒性高很多
部署密度	CPU 跑传统算法，单台工控机跑 2-3 路	量化后跑 NPU/GPU，单卡跑 8-16 路

我记得有一次去一个电子厂，他们用 YOLOv5 检测 PCB 焊点缺陷。原本一条产线需要 6 个质检员，换成 YOLO 后只需要 1 个人复核。老板算了一笔账，半年回本。这就是工业场景里 YOLO 的真实价值——降本增效，立竿见影。

1.2 模型转换与量化的必要性

好，模型训出来了，mAP 0.95，漂亮。然后呢？

你总不能把训练好的 PyTorch 模型直接扔到产线工控机上跑吧？工业现场的设备五花八门：海思的 NPU、瑞芯微的 NPU、英伟达的 Jetson、Intel 的 OpenVINO……每个平台只认自己的格式。

这就是模型转换要解决的问题——把训练框架的模型，变成目标硬件能吃的格式。

但光转换还不够。工业现场对延迟和功耗极其敏感。一个 YOLOv8s 模型，FP32 精度下在 Jetson Orin NX 上跑，大概 30 FPS。听起来还行？但产线要求 60 FPS，怎么办？

量化。说白了就是把模型里的 FP32 参数变成 INT8。模型体积直接缩到 1/4，推理速度翻倍甚至翻三倍。代价呢？精度掉一点点，通常在 0.5%-2% 之间，工业场景完全能接受。

我曾经接手过一个项目，团队花了两周训出一个高精度模型，结果部署时发现海思芯片只支持 Caffe 和 ONNX，PyTorch 模型根本跑不了。最后硬生生花了一周做转换，还因为算子不兼容重写了部分网络结构。嗯，从那以后，我每次训模型之前都会先问一句：目标硬件是什么？支持哪些格式？

1.3 课程目标与学习路径

这门课不讲花架子。30 章内容，每一章都对应一个你在工业部署中一定会遇到的真实问题。

学完之后，你能做到：

• 独立完成 YOLOv5/v8/v10 从训练到部署的全流程
• 熟练使用 ONNX、TensorRT、OpenVINO、RKNN 等主流部署工具
• 掌握量化技巧，知道什么时候用 PTQ，什么时候用 QAT
• 具备排障能力，遇到算子不兼容、精度掉点、性能瓶颈能自己搞定

学习路径我建议这样走：

1. 基础篇（第 1-5 章）：搞懂工业部署全景和 YOLO 模型结构
2. 转换篇（第 6-15 章）：逐个攻破 ONNX、TensorRT、OpenVINO 等格式转换
3. 量化篇（第 16-25 章）：PTQ、QAT、混合精度，各种量化策略实战
4. 实战篇（第 26-30 章）：完整项目案例，从数据到部署一步到位

下面这张图，是整门课的知识体系框架。你可以把它当成一张地图，随时回来看看自己走到哪了。