企业官网建设流程全解析

边缘 AI 模型部署工具包：ONNX 导出、INT8 动态量化与设备端推理流水线（CPU 实测）

把训练好的模型塞进边缘设备要过三关：导出（训练框架无关的 ONNX）、量化（FP32 压到 INT8）、部署（设备端推理闭环）。本套件用 sklearn digits 手写数字模型把三关全部走通，Windows 纯 CPU 环境、4 个依赖包，基准数据全部实测留档。

一、FP32 vs INT8 实测

结论：体积压到 1/3~1/4、精度损失可忽略——INT8 动态量化的性价比在「OTA 包体积受限」的边缘场景几乎是无脑选。

二、四脚本全链路

01_train_export_onnx.py 训练两层 MLP 并导出 ONNX（标准化参数折叠进计算图） 02_quantize_int8.py ONNX Runtime 动态量化，一条命令 03_benchmark_edge.py 体积/精度/p50·p95/吞吐 基准报告 04_sensor_pipeline.py 设备端闭环：滤波→推理→置信度门限→去抖→攒批上报

三、设备端闭环设计

真实边缘推理不是裸跑模型：滑动均值滤波先压传感器抖动，置信度低于阈值的结果直接丢弃，连续 N 帧一致才认定（去抖），最后攒批上报降低通信次数。这套「模型外」的工程逻辑是 demo 与产品的分水岭，04 脚本给出了完整可读的实现。

📦 本文对应的完整部署套件（模型+脚本+基准报告）已整理上传：点击查看资源包