- 综合排序
- 最热优先
- 最新优先
工厂端部署轻量化模型
在工厂端部署轻量化模型通过TensorRT加速的ResNet，是制造业实现实时物料追溯与质量检测的关键技术路径。以下从技术原理、实施步骤、应用场景及优化策略四个维度展开说明：一、为何选择轻量化模型？ 模型轻量化改造架构优化： 将ResNet-50替换为ResNet-18或MobileNetV3，参数量减少80%以上。 解决方案： 在线学习（Online Learning）：部署模型后，持续用产线新数据微调（需设计自动标注流程）。 -------------|| Jetson AGX Orin | 200 | 50W | 高精度质检工位 || Intel NUC 12 | 10 AI方案模型选型： 基础模型：ResNet-34（ImageNet预训练） 轻量化后：剪枝至ResNet-12，INT8量化，体积从85MB→12MB。
1.4K10编辑于 2025-04-10- 来自专栏AI人工智能
边缘智能体：轻量化部署与离线运行
边缘智能体：轻量化部署与离线运行 Hello，我是摘星！ 在彩虹般绚烂的技术栈中，我是那个永不停歇的色彩收集者。 每一个优化都是我培育的花朵，每一个特性都是我放飞的蝴蝶。 图1 边缘智能体整体架构图1.2 核心设计原则边缘智能体的设计需要遵循以下核心原则：设计原则具体要求实现策略轻量化模型大小<100MB模型压缩、知识蒸馏低延迟推理时间<100ms模型优化、硬件加速低功耗功耗 self.decision_engine = DecisionEngine() def _load_lightweight_model(self, model_path: str): """加载轻量化模型 : """部署最佳实践""" @staticmethod def deployment_checklist(): """部署检查清单""" return 'AI技术成熟', '边缘计算需求' ] }总结作为一名深耕AI技术多年的博主摘星，通过本文对边缘智能体轻量化部署与离线运行的全面探讨
1.2K11编辑于 2025-07-24 - 来自专栏计算机魔术师
【腾讯云｜云原生】自定制轻量化表单Docker快速部署
本文将为展示在该服务器上部署轻量化定制表单服务为例带你一文走进该服务器的方方面面。 在这里插入图片描述 图片 先放效果图！！ Github开源地址✨✨： 自定制轻量化表单 一款基于pywebio 快速开发的表单，实现设置每个校区每个时间段只能被预约一次。 （可以选择各种后端框架或者是内置服务器） 图片 图片
部署教程 ✨✨ 首先进入到服务器后，我们需要安装docker环境。 ✨✨ 运行命令： docker run -p 9000:9000 fast_form 图片 部署成功！！ Github开源地址✨✨： 自定制轻量化表单 有问题欢迎大家提出issues！ 如果喜欢请点点一个小小的star！！ 点赞，关注收藏！79210编辑于 2023-10-12 - 来自专栏全栈工程师修炼之路
轻量化HTTP服务器环境快速搭建部署
[TOC] 0x01 快速搭建轻量化HTTP服务器 描述：在做运维或者安全相关的测试项目的时候，需要快速搭建HTML服务器环境来下载文件或者POC，主要针对于HTML代码与文件浏览下载; 1.Python 最近有个项目要构建一个轻量化的HTTP服务器，而且需要支持HTTPS 因为要求最好不使用IIS，所以用的是HttpListener类，HTTP部分已经完成，但是在增加HTTPS支持时出现报错 已知需要支持
1.6K10编辑于 2022-09-28 《OpenClaw边缘轻量化部署的核心技术与实践》
因此，边缘部署的第一步就是将微服务架构重构为单体架构，将所有核心功能整合到一个进程中，消除不必要的进程间通信开销。模型轻量化是OpenClaw边缘部署的第一步，但也是最容易被误解的一步。 对于OpenClaw来说，混合精度量化是一种非常有效的轻量化手段，可以在几乎不损失核心能力的前提下，将模型的内存占用降低一半以上。知识蒸馏技术可以与量化技术结合使用，进一步提升轻量化模型的性能。 对于OpenClaw来说，知识蒸馏不仅可以用于压缩核心推理模型，还可以用于压缩各个功能模块的模型，实现整个框架的轻量化。任务特定的轻量化裁剪是比通用轻量化技术更有效的手段。 性能评估与调优是OpenClaw边缘部署过程中不可或缺的环节。在将OpenClaw部署到边缘设备之前，需要对其性能进行全面的评估，找出性能瓶颈并进行针对性的优化。 不同类型的边缘设备有着不同的硬件特性和资源约束，需要采用不同的轻量化策略。
28900编辑于 2026-05-30- 来自专栏计算机魔术师
【腾讯云｜云原生】自定制轻量化表单Docker快速部署
本文将为展示在该服务器上部署轻量化定制表单服务为例带你一文走进该服务器的方方面面。先放效果图！！ Github开源地址✨✨： 自定制轻量化表单一款基于pywebio 快速开发的表单，实现设置每个校区每个时间段只能被预约一次。 （可以选择各种后端框架或者是内置服务器）
部署教程 ✨✨首先进入到服务器后，我们需要安装docker环境。 ✨✨运行命令：docker run -p 9000:9000 fast_form部署成功！！ 表单链接 ✨✨ 接着我们进入到服务器看业务是否流程正常可以看到，提交的数据被很好的保存了！！ Github开源地址✨✨： 自定制轻量化表单有问题欢迎大家提出issues！ 如果喜欢请点点一个小小的star！！ 点赞，关注收藏！65420编辑于 2023-11-09 - 来自专栏Docker项目实战
轻量化知识库方案：Docker部署Dokuwiki 的最佳实践
hostnameIP地址操作系统版本Docker版本部署项目jeven01192.168.3.88Ubuntu24.04.2LTS28.3.3Dokuwiki2.2本次实践介绍1.本次实践部署环境为个人测试环境 ，生产环境请谨慎；2.在Docker环境下部署Dokuwiki个人知识库。 lib/systemd/system/docker.service;enabled;preset:enabled)Active:active(running)sinceMon2025-08-0410:10 :52UTC;30minagoTriggeredBy:●docker.socketDocs:https://docs.docker.comMainPID:860(dockerd)Tasks:10Memory 八、总结通过本次Docker部署Dokuwiki的实践，成功构建了一个轻量级、可移植的个人知识库系统，显著提升了部署效率与环境一致性。
1.4K00编辑于 2026-01-07 - 来自专栏计算机魔术师
【腾讯云｜云原生】自定制轻量化表单Docker快速部署
在线性回归中，尤其是多变量回归模型，由于各个的数据之间量化纲位不同，如果说两个参数尺度范围分别是是【0~1000，0 ~5】或者【-0.00004 ~ 0.00002，10 ~ 30】, 那么在使用梯度下降算法时
1.4K30编辑于 2023-09-30 轻量化 vs 定制化：不同规模企业如何选择 MyEMS 部署模式？
然而，市场上的 MyEMS 部署方案大致分为 “轻量化” 与 “定制化” 两类，前者开箱即用、成本低，后者深度适配、灵活性高 —— 不同规模的企业该如何抉择？ 一、核心认知：轻量化与定制化 MyEMS 的本质差异要做出正确选择，首先需明确两种部署模式的核心定义与适用边界。 二者并非 “优劣对立”，而是针对不同需求场景的设计，其差异体现在部署方式、功能模块、成本周期等多个维度：对比维度轻量化部署（SaaS / 标准化部署）定制化部署（私有部署 / 深度开发）核心定义基于标准化模块的 大型 / 集团企业（员工＞500 人，年营收＞5 亿）：优先选择全定制化部署核心需求：大型企业的能源管理需求呈现 “多维度、高复杂度” 特征 —— 例如集团型制造企业需管理 10 个以上厂区的能源消耗， 第二步：评估自身 “IT 能力” 与 “预算空间”IT 能力：若企业无专业 IT 团队，优先选择轻量化（服务商运维）；若有 IT 团队，可考虑定制化（内部团队配合运维）；预算空间：若年度能源管理预算＜10
62610编辑于 2025-10-14- 来自专栏Docker项目实战
Docker一键部署 Crumbs，自建轻量化私有笔记服务
极简的部署方式：提供高度容器化的支持，仅需一条 Docker 命令即可快速完成私有化环境的搭建与运行。 本次实践部署环境为个人测试环境，生产环境请谨慎；2.在Docker环境下部署Crumbs自托管笔记应用。 Crumbs服务5.1 创建部署目录创建部署目录mkdir -p /data/crumbs/data && cd /data/crumbs在测试环境中，为了方便操作，我们直接为挂载目录设置了完全权限。 chmod -R 777 /data/crumbs5.2 docker-cli方式部署（可选）如果想要使用docker-cli方式部署，可参考以下命令部署。 Crumbs 简洁易用的界面配合灵活的 Docker 部署方式，使其成为构建个人专属知识库的理想选择。
8000编辑于 2026-10-14 模型轻量化技术
100万三角网格：≤10s；1000万三角网格：≤1min压缩比网格体积压缩60%-90%；点云体积压缩70%-95%精度损失平均几何偏差≤0.1mm（高精度）；≤0.3mm（工业级）；≤1mm（普通场景 glTF）、去噪抽稀后点云（PLY/PCD），无非流形边、自相交面精度要求：明确轻量化误差阈值（≤0.1mm/0.3mm/1mm），核心细节区域需标注部署需求：明确渲染帧率要求（≥30fps）、存储体积限制 关键参数配置（工程最优）几何简化参数网格简化：简化比例=20%-80%（按需调整）；边折叠误差阈值=0.01-0.1mm；核心细节保留阈值=0.3（高曲率区域）点云简化：体素大小=0.01-0.1m；采样比例=10% -50%；高曲率点保留率=80%-90%细节保护：关键区域边折叠禁止阈值=0.005mm；细节区域采样密度提升20%数据压缩参数Draco压缩：顶点量化精度=10-16位；法向量量化精度=8-12位；纹理压缩格式 ：简化模型、压缩参数、LOD分级文件、精度验证报告输出：轻量化模型（glTF/GLB优先、3DTiles）、LOD模型集、部署配置文件坐标：与原始模型一致，右手系，Y轴向上，单位米，统一EPSG:4490
48810编辑于 2026-05-14- 来自专栏机器之心
多硬件支持、轻量化部署等，百度Paddle Lite特性全解读
它支持多种硬件、多种平台，还具备轻量化部署、高性能实现等重要特性。 特性&能力 Paddle Lite 支持如下特性：①多硬件平台支持；②轻量化部署；③高性能实现；④量化计算支持。下面我们一一介绍。 1.1. 轻量级部署 完善的多硬件平台支持必须至少有如下支持，比如完整的各类硬件后端支持，多份硬件相关算子的实现，计算图详尽的分析和优化能力。这些能力的支持必然带来最终部署库的体积膨胀，难以轻量化部署。 在体积敏感的场景下，Paddle Lite 可以选择轻量化部署方案，即可以只部署执行阶段，而复杂的分析优化则封装到了离线工具中。 模型转换 为了满足手机端轻量化部署的需求，我们会在离线阶段进行模型结构的分析和优化，并将优化后的模型序列化到 Naive Buffer 的格式，从而减少部署包的体积，并实现无第三方依赖。
1.9K20发布于 2019-09-29 - 来自专栏集智书童
项目实践 | 从零开始边缘部署轻量化人脸检测模型——EAIDK310部署篇
继续上一章的话题，前面我们主要聊到关于人脸检测模型UltraFace的训练任务，本文将和大家讨论在开发板上如何部署UltraFace模型，并进行实时视频人脸检测，或者图片流人脸检测。 1Tengine简介 Tengine 由 OPEN AI LAB 主导开发，该项目实现了深度学习神经网络模型在嵌入式设备上的快速、高效部署需求。 为实现在众多 AIoT 应用中的跨平台部署，本项目基于原有 Tengine 项目使用 C 语言进行重构，针对嵌入式设备资源有限的特点进行了深度框架裁剪。 同时采用了完全分离的前后端设计，有利于 CPU、GPU、NPU 等异构计算单元的快速移植和部署，同时降低评估和迁移成本。 Tengine推理流程 依照顺序调用Tengine核心API如下： ?
1.3K20发布于 2021-07-07 QClaw本地部署实测｜零代码落地、本地隐私防护，企业轻量化AI Agent部署指南
一、QClaw技术定位与核心架构概述QClaw基于OpenClaw开源框架封装，是腾讯电脑管家推出的轻量化本地AI智能体，核心技术定位为「本地执行+微信直连+隐私计算」，解决传统AIAgent部署门槛高 （实测验证版）基于Windows、macOS双系统实测，梳理QClaw本地部署的最低配置与推荐配置，明确环境兼容性要点，避免部署踩坑：配置项最低要求推荐配置实测备注操作系统Windows10/macOS12Windows11 空闲20GB空闲安装包约80MB，缓存与技能扩展需预留额外空间网络10Mbps100Mbps仅首次部署下载依赖，后续本地执行无需持续联网权限管理员权限管理员权限需获取系统辅助功能、文件访问、输入模拟权限企业级部署补充 /混合部署，数据主权可控部署成本零代码，3分钟快速部署需配置服务器/容器，部署耗时≥2小时可视化部署向导，企业级流程部署≤30分钟运维难度轻量化，支持自动更新，运维成本低需专业运维团队，维护成本高统一管控平台 ：小型企业优先选择QClaw标准部署，快速落地轻量化AI自动化；中型企业可采用QClaw+私有模型组合，平衡部署效率与数据安全；大型企业可考虑实在Agent企业版，其跨系统集成能力与细粒度权限管控，更适配复杂企业
3.8K00编辑于 2026-03-30- 来自专栏集智书童
项目实践 | 从零开始边缘部署轻量化人脸检测模型——训练篇
2数据处理 2.1 输入尺寸的选择 由于涉及实际部署时的推理速度，因此模型输入尺寸的选择也是一个很重要的话题。 在作者的原github中，也提到了一点，如果在实际部署的场景中大多数情况为中近距离、人脸大同时人脸的数量也比较少的时候，则可以采用 的输入尺寸； 如果在实际部署的场景中大多数情况为中远距离、人脸小同时人脸的数量也比较多的时候 ，则可以采用 或者 的输入尺寸； 这里由于使用的是EAIDK310进行部署测试，边缘性能不是很好，因此选择原作者推荐的最小尺寸 进行训练和部署测试。 2.2 数据筛选 由于widerface官网数据集中有比较多的低于10像素的人脸照片，因此在这里选择剔除这些像素长宽低于10个pixel的照片； ? 6模型转换 由于部署使用的是Tengine边缘推理框架，由于pytorch输出的模型无法直接转换到tmfile模型下，因此还是选择使用onnx中间件的形式进行过度，具体实现代码如下： model_path
1.4K40发布于 2021-07-07 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(10) | 轻量化CNN架构 (SqueezeNet,ShuffleNet,MobileNet等)
卷积神经网络的结构优化和深度加深，带来非常显著的图像识别效果提升，但同时也带来了高计算复杂度和更长的计算时间，实际工程应用中对效率的考虑也很多，研究界与工业界近年都在努力「保持效果的情况下压缩网络复杂度」，也诞生了很多轻量化网络 本篇重点 神经网络参数与复杂度计算 轻量化网络 SqueezeNet Xception ShuffleNet V1~V2 MobileNet V1~V3 1.基础知识 我们先来做一点基础知识储备，本篇讲到的轻量化 另外网络在 conv1，fire4，fire8，conv10的后面使用了 max-pooling。 V2：轻量级CNN网络中的桂冠 Roofline Model与深度学习模型的性能分析 10.要点总结 神经网络参数与复杂度计算 轻量化网络 SqueezeNet Xception ShuffleNet (下) 深度学习与CV教程(8) | 常见深度学习框架介绍 深度学习与CV教程(9) | 典型CNN架构 (Alexnet, VGG, Googlenet, Restnet等) 深度学习与CV教程(10
2.9K51编辑于 2022-06-09 - 来自专栏DevOps时代的专栏
轻量化 Jenkins 最佳实践
前言 今天分享主题主要分成三个部分： 第一部分，Jenkins跟持续交付； 第二部分，Jenkins轻量化思路； 第三部分，Jenkins高可用实践。 二、Jenkins轻量化思路 2.1、使用jenkins的常见问题 接下来就是我今天所要谈的重点，刚才解释了为什么Jenkins所代表的CI/CD如此之重要，但现实里Jenkins还是会出现这样那样的问题 我们不希望Jenkins承载更多的东西，这也是为什么我提出轻量化Jenkins的概念，初衷在于给Jenkins减负。 ? 接下来我们看一看Jenkins的系统架构。 2.6、轻量化解决之道 那么轻量化的概念到底是什么意思呢？ 那么在实践Jenkins轻量化解决之道的过程中，我总结了一些套路和体系，其中以下八点内容希望可以帮助大家解决一些实际生产工作中Jenkins的性能问题，同时扩展大家的思路，共同探索Jenkins应用的最佳实践
5K90发布于 2018-02-02 轻量化部署，快速见效：一种不同的超自动化巡检思路
当越来越多的中小规模团队以及想做敏捷验证的大型企业发现，传统重资产的“大而全”路径往往在落地之前就已经耗尽预算和耐心时，一种截然不同的思路正在兴起：轻量化部署，快速见效。 二、以“可感知的价值”为第一驱动轻量化部署的核心思路，是“价值先行，规模随后”。 轻量化部署不是“小打小闹”，而是用最低的成本完成对平台价值的“前置验证”。三、轻量化的核心能力支撑真正的“轻量化”不是功能的阉割，而是架构的优化。它需要平台本身具备三大特性：第一，极简的部署门槛。 轻量化不等于可连接的系统少。 当越来越多的证据指向“快速见效才是自动化成功的关键”，轻量化部署的思路正是在此背景下变得尤为重要。它邀请企业换一个角度思考：不是等到万全之备才开始，而是从今天就可以开始。
16910编辑于 2026-06-30- 来自专栏PaddlePaddle
Paddle Lite特性全解读，多硬件支持、轻量化部署等亮点频现
它支持多种硬件、多种平台，还具备轻量化部署、高性能实现等重要特性。 特性&能力 Paddle Lite 支持如下特性：①多硬件平台支持；②轻量化部署；③高性能实现；④量化计算支持。下面我们一一介绍。 1.1. 轻量级部署 完善的多硬件平台支持必须至少有如下支持，比如完整的各类硬件后端支持，多份硬件相关算子的实现，计算图详尽的分析和优化能力。这些能力的支持必然带来最终部署库的体积膨胀，难以轻量化部署。 在体积敏感的场景下，Paddle Lite 可以选择轻量化部署方案，即可以只部署执行阶段，而复杂的分析优化则封装到了离线工具中。 模型转换 为了满足手机端轻量化部署的需求，我们会在离线阶段进行模型结构的分析和优化，并将优化后的模型序列化到 Naive Buffer 的格式，从而减少部署包的体积，并实现无第三方依赖。
1.3K10发布于 2019-09-27 轻量化开源知识管理核心技术拆解：部署、功能与AI能力
开源基础与定位轻量化AI知识管理系统面向中小团队、个人开发者与小型组织，基于开源协议打造，支持私有化部署，代码可审计、数据自主可控，无强制订阅与云端绑定，适配内网隔离、数据敏感等合规场景。 部署与模型接入• 部署：Docker容器化封装，支持公网与内网环境，一键脚本完成环境初始化，默认端口2443，可通过Nginx反向代理适配域名访问。 落地方案：智能解析与知识管理协同部署1. 基础设施：在内网服务器部署轻量化AI知识管理系统，配置LDAP认证，仅团队成员可访问，保障学术数据安全。2. 轻量化知识管理系统使用心得• 轻量化优势显著：对比Confluence、MediaWiki，部署与维护成本降低90%，5分钟内完成安装，适合快速落地。 五、总结轻量化AI知识管理系统以AI驱动、轻量化、开源可控为核心，解决传统知识库部署复杂、检索低效、智能化不足的问题；智能文档解析技术补齐非结构化文档处理短板，实现PDF、扫描件等复杂文档到标准知识的高效转换
49010编辑于 2026-04-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号