Edge Computing

边缘计算是一种分布式信息技术架构，将数据处理和存储移至更靠近需求位置的地方，而不是依赖通常相距数千英里的集中式位置。通过在数据源附近（例如本地服务器、物联网网关或设备本身）处理数据，这种方法能够显著降低延迟，并减少数据传输所需的带宽。在人工智能和机器学习领域，边缘计算为部署 Edge AI 提供了关键基础设施，使复杂模型能够直接运行在智能摄像头、无人机和工业传感器上，并实现即时响应。

边缘计算的核心优势#

从集中式云处理转向本地化边缘处理带来了多项变革性优势，尤其适用于 计算机视觉 和实时分析。

• 降低延迟： 传统云架构需要将数据传输到数据中心进行处理，然后再传回设备。边缘计算消除了这一往返过程，从而支持对毫秒级响应至关重要的 实时推理。对于 自动驾驶汽车 等安全关键系统而言，这一点必不可少，因为此类系统必须在瞬间做出制动决策。
• 提高带宽效率： 传输用于 目标检测 的高清视频流会消耗大量带宽。通过在本地处理原始数据，仅将相关元数据或警报发送到云端，组织可以大幅降低数据传输成本。
• 增强数据隐私： 医学影像或面部识别数据等敏感信息可以完全在本地环境中处理。这种本地隔离有助于满足 GDPR 等严格法规的要求，确保个人数据不会离开设备。
• 离线功能： 即使互联网连接不稳定或中断，边缘设备仍可继续自主运行。这种可靠性对于 农业中的 AI 等应用至关重要，因为无人机需要在网络覆盖较差的偏远田地中监测作物。

边缘计算与云计算#

虽然 云计算 擅长存储海量数据集和训练大规模模型，但边缘计算侧重于执行阶段。将二者视为互补技术而非竞争技术会更有帮助。云端通常用于 模型训练，因为处理历史数据需要强大的计算能力。模型训练完成后，优化后的模型会部署到边缘侧进行推理。这种混合方法充分发挥了二者的优势：云端的无限扩展能力与边缘侧的速度。

实际应用#

边缘计算正通过将智能直接嵌入实际运营流程，重塑各个行业。

• 智能制造： 在 工业自动化 中，工厂使用边缘网关分析机械设备的传感器数据。如果检测到振动异常，系统可以立即触发 预测性维护 协议，避免代价高昂的停机。
• 智能零售： 实体店利用边缘驱动的摄像头进行 库存管理。系统可以自动跟踪货架上的库存水平，并提醒工作人员补货，在不将顾客视频流传输到外部服务器的情况下提升运营效率。
• 交通管理： 智慧城市在十字路口部署边缘节点来控制 交通信号灯。通过在本地实时分析交通流量，这些系统可以优化信号灯时序以减少拥堵，并独立于中央控制中心运行。

将模型部署到边缘侧#

要在资源受限的边缘设备上运行复杂模型，开发者通常会采用 模型量化 等优化技术，或导出为 TensorRT、ONNX 等专用格式。Ultralytics Platform 简化了这一流程，让用户能够在云端训练模型，并将其无缝部署到各种边缘目标设备。

以下示例演示如何将 YOLO26 模型导出为 NCNN 格式，该格式针对移动端和嵌入式边缘设备进行了高度优化。

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format for mobile edge deployment
# This creates a lightweight, optimized version of the model
model.export(format="ncnn")

相关概念#

• Edge AI： 边缘计算指的是分布式基础设施，而 Edge AI 特指运行在该基础设施上的人工智能算法应用。
• 物联网（IoT）： 由嵌入传感器和软件的实体对象（即“物”）组成的网络。边缘计算提供了让这些 IoT 设备变得“智能”的处理能力。
• 雾计算： 一种去中心化计算基础设施，其中数据、计算、存储和应用位于数据源与云端之间的某处，通常被视为云计算向边缘的延伸。