Adaptability of Lightweight AI Models for Embedded Deployment: A Case Study of an Agricultural Monitoring Robot

许多人工智能程序需要强大的计算硬件，而农业机器人、无人机和智能摄像头则依赖于计算能力、电池容量和散热能力均有限的小型嵌入式设备。轻量级模型在保持可接受精度的同时减少参数和计算成本，使人工智能能够部署在资源受限的网络设备上。本文综述了关键的轻量化方法，包括紧凑网络架构、模型剪枝、模型量化和知识蒸馏。本文比较了Jetson、树莓派和微控制器等常见平台。以农业监测机器人为例，本研究提出了一种结合摄像头、轻量级YOLO模型、Jetson和微控制器的系统，用于实时作物监测。实验旨在评估精度、速度、功耗、温度和电池寿命。本文并非追求最大化的模型复杂度，而是着重解释如何选择真正适合实际设备的模型。对于农业机器人而言，有效部署需要足够的精度、实时性能和低能耗。