先做原理验证，再做平台接入

对边缘 AI 项目来说，很多人是先做一个漂亮的“部署页面”，然后假设模型已经能在设备上稳定跑。我更倾向于反过来：先把模型导出、转换、推理和 benchmark 跑通，再把这些结果接进 WAVE-cloud 的任务系统。

这条验证链可以拆成下面几个节点。每一步都应该保留日志、输入样例、输出结果和性能数据。

  1. PyTorch
  2. ONNX
  3. RTX inference
  4. ATC
  5. OM
  6. AscendCL / pyACL
  7. report

为什么要保留 RTX 对照

如果只看 Ascend 端结果，很难判断问题来自模型本身、ONNX 导出、ATC 转换还是推理代码。RTX 侧的 ONNX 推理结果可以作为中间基准：它帮助我们确认导出模型有没有破坏精度，也能定位转换前后的输出差异。

我会记录的指标： mAP / AP-small、单张延迟、FPS、模型体积、算子不兼容列表、量化前后精度差、典型失败样本。
Huawei Atlas 200I DK A2 development board used for Ascend 310 edge AI validation.
Ascend 310 边缘 AI 开发板。

WAVE-cloud 中的产品化入口

等验证链稳定后，平台里真正需要的是一个能说明模型状态的部署档案：导出参数、转换命令、设备信息、输入尺寸、精度快照、性能快照和失败原因。这些记录会让团队成员知道模型是否已经适合进入演示或比赛材料。