- 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？ 工厂端部署的核心需求实时性要求：生产线节奏快（焊接工位节拍≤60秒），模型推理需在毫秒级响应。资源限制：工厂边缘设备（工业PC、Jetson AGX Orin）算力有限，需降低模型计算负载。 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）。 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。 50MB80ms94%8W高智能交通80MB120ms91%12W中智能零售30MB60ms89%6W高智能医疗100MB200ms96%15W中5.4 部署最佳实践class DeploymentBestPractices —— 边缘计算专家6. 未来发展趋势与挑战6.1 技术发展趋势图6 边缘智能体技术发展时间线6.2 挑战与机遇挑战领域具体挑战解决方向预期突破时间计算资源边缘设备算力有限专用AI芯片、神经网络加速器2-3年模型优化精度与效率平衡自适应量化 '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。 [ ](https://img-blog.csdnimg.cn/2eb6cc4c63b64a8e9dd60331323c4533.png) 图片 拉取github项目命令（该服务器自带Git的哦✨） git ✨✨ 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YOLO大作战
YOLOv8轻量化：模型轻量化设计 | 轻量级可重参化EfficientRep| 来自YOLOv6思想
最重要的是，整合思想和实践，构建了一套不同规模的部署网络，以适应多样化的用例。在 YOLO 作者的慷慨许可下，作者将其命名为 YOLOv6。作者也热烈欢迎用户和贡献者进一步增强。 YOLOv6-N 在 NVIDIA Tesla T4 GPU 上以 1234 FPS 的吞吐量在 COCO 数据集上达到 35.9% 的 AP。 YOLOv6-S 以 495 FPS 的速度达到 43.5% 的 AP，优于同规模的其他主流检测器（YOLOv5-S、YOLOX-S 和 PPYOLOE-S）。 YOLOv6-S 量化版本甚至带来了 869 FPS 的最新 43.3% AP。 此外，与具有相似推理速度的其他检测器相比，YOLOv6-M/L 还实现了更好的准确度性能（即 49.5%/52.3%）。
2.1K70编辑于 2023-11-08 - 来自专栏Java架构师历程
6、选择部署策略
在本章中，我们将介绍部署微服务的策略。 6.1、动机 部署单体应用程序意味着运行一个或多个相同副本的单个较大的应用程序。 更具挑战性的是尽管如此复杂，部署服务也必须快速、可靠和具有成本效益。 有几种不同的微服务部署模式。我们首先看看单主机多服务实例模式。 从多方面来讲，这是应用程序部署的传统方式。每个服务实例在一个或多个主机的标准端口上运行。主机通常被当作宠物对待。 图 6-1 展示了该模式的结构： ? 这种模式有几个变体。 图 6-2 展示了该模式的结构： ? 这是 Netflix 部署其视频流服务的主要方式。Netflix 使用 Aminator 将每个服务打包为 EC2 AMI。 图 6-3 展示了该模式的结构： ? 要使用此模式，请将您的服务打包成一个容器镜像。容器镜像是由运行服务所需的应用程序和库组成的文件系统镜像。一些容器镜像由完整的 Linux 根文件系统组成。
1.6K30发布于 2018-09-26 - 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。 [](https://img-blog.csdnimg.cn/2eb6cc4c63b64a8e9dd60331323c4533.png)拉取github项目命令（该服务器自带Git的哦✨）git pull 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。 Dokuwiki服务5.1创建部署目录创建部署目录展开代码语言：BashAI代码解释mkdir-p/data/dokuwiki/config&&cd/data/dokuwiki目录授权展开代码语言：BashAI 代码解释chmod-R755/data/dokuwiki/5.2编辑部署文件使用docker-cli方式部署，可参考以下命令：展开代码语言：BashAI代码解释dockerrun-d\--name=dokuwiki 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
🙋♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）
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 （1-2 周），无需企业 IT 团队参与，服务商负责运维（服务器、升级、安全）周期长（3-6 个月，复杂场景可达 1 年），需企业与服务商联合调研，需适配现有 IT 架构，运维需专业团队（自建或外包）成本结构低门槛 四、结语：没有 “最好”，只有 “最适配”轻量化与定制化 MyEMS 部署模式，并无绝对的 “优劣之分”—— 轻量化胜在 “低成本、快落地”，适合需求简单的小微企业；定制化胜在 “深适配、高价值”，适合需求复杂的大型企业
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
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。 complete1e3933667442: Pull completeecd657a7617b: Pull completeeac099b9d35d: Pull complete3154080fdf5b: Pull completebfc6e36d6f25 : Pull completeDigest: sha256:23cccfb2cbd018e2d671c7f1094becd6a3bcaf5de5fe1bb5460557bc2f1f459eStatus: 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。
8000编辑于 2026-10-14 模型轻量化技术
1.核心数学原理1.1核心思想在保留模型核心几何特征与视觉效果的前提下，通过简化几何、压缩数据、优化结构，降低模型存储体积与渲染压力，适配数字孪生实时渲染与大规模场景部署，核心是“损失可控的精度与效率平衡 1.3精度损失控制δ=n1∑i=1n∥Mi−Mi′∥δ为平均几何偏差，Mi为原始模型顶点，Mi′为轻量化后顶点，n为顶点数量，δ需控制在项目精度阈值内。 /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（≤100MB/单体）3.2核心步骤 ：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 ：与原始模型更新同步，静态场景每季度1次，动态场景按需更新，轻量化参数同步调整
48810编辑于 2026-05-14- 来自专栏雪胖纸的玩蛇日常
部署（6.前端项目）
1.安装node、npm、cnpm apt install nodejs y apt install npm y node -v npm -v npm install cnpm -g --regist
67830发布于 2020-02-14 - 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。 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。 比如上图，Operator1 代表的算法有三种硬件，6 种实现。 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： ? failed\n"); return -1; } //开始计时⏲ auto start = chrono::steady_clock::now(); // 6、
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 核心架构采用分层设计，确保本地执行效率与安全隔离，整体架构分为5层，各层职责清晰、解耦性强，适配企业轻量化自动化场景：接入层：微信协议适配与扫码认证模块，实现微信聊天框与AI控制台的无缝对接，支持文字、 /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 ，可降低70%运维成本响应延迟本地执行，≤2秒网络传输+云端处理，≥5秒边缘计算优化，延迟≤1.5秒定制能力基础技能扩展，适配轻量化场景高定制化，开发成本高低代码技能开发，适配企业复杂跨系统场景选型建议 ：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。 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 verbose=False, input_names=['input'], output_names=['scores', 'boxes']) 得到onnx模型后便可以进行Tengine模型的转换和部署
1.4K40发布于 2021-07-07 - 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 - 来自专栏追不上乌龟的兔子
本地部署ChatGLM-6B
今天在自己的 PC 上部署和体验了ChatGLM-6B的推理服务，简单记录一下流程。 ChatGLM-6B 简介 ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。 结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。 ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。 硬件环境 我的 PC 使用的是 RTX 2060 Super 显卡，具有 8GB 显存，可以满足 ChatGLM-6B 的部署要求。 另外这个 web ui 的功能还是相对有些捡漏，并且缺乏必要的安全措施，不建议直接部署到公网上。
4.7K30编辑于 2023-05-01
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