080、边缘设备视频分析落地？模型裁剪、NCNN/MNN 推理与功耗优化

080、边缘设备视频分析落地？模型裁剪、NCNN/MNN 推理与功耗优化一、一个让我熬夜三天的bug去年做某安防项目的边缘盒子，海思3559A方案，跑一个轻量级的人脸检测模型。模型在PC上推理精度0.92，量化后0.89，看着还行。结果一上板子，视频流一跑起来，CPU占用直接飙到85%，功耗冲到12W，盒子烫得能煎鸡蛋。更离谱的是，跑了20分钟，系统自动降频，帧率从25fps掉到8fps，检测框开始乱跳。排查了三天，最后发现三个问题：模型裁剪时只砍了通道数没动头部结构，导致NCNN推理时内存访问不连续；量化时用了对称量化但激活值分布严重偏斜，精度损失被放大；最坑的是，我忘了关CPU的调试串口打印，每帧都往uart写log，硬生生吃掉5%的CPU。这个案例说明，边缘设备视频分析落地，不是把模型塞进去就完事。你得从模型结构、推理引擎、硬件特性三个维度同时下手，任何一个环节出问题，整个系统就崩。二、模型裁剪：别只盯着FLOPs很多人做模型裁剪，喜欢用FLOPs下降比例来评估效果。但边缘设备上，FLOPs和实际推理速度往往不成正比。我踩过的坑是：用通道剪枝把MobileNetV2的倒残差结构砍掉30%通道，FLOPs降了40%，但NCNN上推理速度只快了15%。为什么？因为倒残差结构的depthwise卷积在ARM上内存访问模式很差，剪枝后通道数变成非8的倍数，NEON指令集没法对齐，反而多了很多padding操作。正确的做法是：先分析目标芯片的硬件特性。比如海