培训对象：
具备AI模型开发基础的算法工程师
嵌入式/物联网系统开发工程师
需要将AI模型部署到端侧设备的开发人员
工业检测/智能安防/智能终端产品研发人员
培训目标：
使学员系统掌握AI模型从训练完成到边缘设备部署的全流程技术栈；理解模型量化、剪枝、蒸馏等优化原理与方法；熟练使用ONNX、TensorRT、TFLite等推理引擎进行模型转换与加速；掌握主流边缘硬件（Jetson/树莓派/�N腾）的部署流程；具备独立完成工业质检、智能安防等场景的边缘AI应用开发能力。
培训内容介绍：
边缘AI概述与技术架构
边缘计算与云计算的协同关系；边缘AI的核心价值：低延迟/带宽节省/数据隐私；边缘AI应用场景：工业质检/智能安防/可穿戴设备/自动驾驶；边缘AI技术栈全景：硬件/框架/算法/工具；边缘部署的挑战：算力/功耗/内存/散热。
边缘硬件平台选型
主流边缘硬件对比：NVIDIA Jetson系列/树莓派/Intel NCS/华为�N腾/瑞芯微；硬件性能指标：算力（TOPS）/功耗/内存/接口；硬件选型策略：根据场景需求匹配硬件；开发板环境搭建与远程连接。
模型优化技术（上）：模型量化
量化的基本原理：FP32→INT8/INT4；量化类型：动态量化/静态量化/量化感知训练（QAT）；量化对模型精度的影响；不同框架的量化工具：PyTorch量化/TensorRT量化；实战：将PyTorch模型量化为INT8。
模型优化技术（下）：剪枝与蒸馏
模型剪枝原理：结构化剪枝/非结构化剪枝；剪枝策略：权重剪枝/通道剪枝/层剪枝；知识蒸馏原理：教师-学生模型；蒸馏方法：软标签/特征蒸馏；剪枝+蒸馏联合优化。
模型格式转换与ONNX
模型格式标准：ONNX（开放神经网络交换格式）；PyTorch模型导出为ONNX；TensorFlow模型导出为SavedModel；ONNX算子兼容性检查；ONNX Simplifier模型优化；ONNX Runtime推理引擎使用。
推理引擎与加速库
主流推理引擎对比：TensorRT/OpenVINO/TFLite/MNN/NCNN；TensorRT原理：层融合/精度校准/内核优化；OpenVINO与Intel硬件优化；MNN/NCNN在移动端的应用；推理引擎选型策略。
NVIDIA Jetson平台部署实战
Jetson系列硬件介绍：Xavier/Orin/Nano；JetPack SDK与开发环境；TensorRT在Jetson上的应用；DeepStream视频分析框架；实战：YOLOv8目标检测模型在Jetson上的部署与优化。
�N腾AI平台部署实战
�N腾AI全栈体系架构；MindSpore整体架构介绍；模型迁移：PyTorch向MindSpore迁移流程；�N腾开发板（Atlas 200 DK）环境搭建；模型转换与推理部署；实战：基于�N腾的CV应用开发。
移动端与嵌入式部署
TensorFlow Lite架构与原理；模型转换为TFLite格式；TFLite量化与优化；Android/iOS端集成TFLite；NCNN在移动端的高效推理；实战：手机端实时目标检测应用。
边缘应用开发框架
边缘推理服务架构设计；C++/Python推理接口封装；边缘端视频流处理；推理结果的后处理与业务逻辑；边缘与云端的协同设计；边缘端数据回传与模型更新。
边缘AI性能分析与优化
性能分析工具：NVIDIA Nsight/TensorRT Profiler；推理延迟/吞吐量/内存占用分析；模型推理瓶颈定位；多线程与异步处理优化；批处理与流水线优化；功耗优化策略。
综合实战：工业边缘检测系统搭建
从训练到部署的完整边缘AI项目：模型准备（基于YOLOv8的缺陷检测模型）→模型优化（量化+剪枝）→格式转换（ONNX→TensorRT）→边缘硬件部署（Jetson Nano/�N腾）→推理服务封装（C++/Python API）→摄像头实时视频流接入→检测结果实时展示与告警→性能监控与优化，最终交付可运行的边缘智能检测系统。
