CT，在视觉领域里，一般指 Cycle Time ——循环时间 / 节拍时间，就是设备 / 产线完成一次检测、抓取、处理的总耗时。

1. CT 是什么？

Cycle Time（CT）：从任务开始到任务结束，单次完整流程所用的时间。

比如：相机拍照 → 图像处理 → 输出结果 → 设备动作 → 回到待机位，这一整套的时间就是 CT。

2. CT 有什么作用？

• 直接决定产线速度、产能、效率
• CT 越小，单位时间内处理产品数越多
• 是视觉项目验收、对标、优化的核心指标

3. CT 会被什么影响？

1. 图像分辨率：分辨率越高，处理越慢
2. 算法复杂度：检测、分类、分割、深度学习越复杂越慢
3. 相机帧率 & 曝光时间：曝光长、帧率低 → CT 变大
4. 硬件性能：CPU/GPU/ 工控机算力
5. 通讯延迟：PLC、机器人、串口、网口交互速度
6. 机械配合：工位运动、定位、等待时间

4. 降低 CT（提速）的常用措施

1. 降低图像分辨率，在满足精度的前提下缩小 ROI
2. 优化算法：简化逻辑、减少循环、提前过滤无效区域
3. 提升硬件：换更高算力 GPU / 工控机，用工业相机高帧率模式
4. 缩短曝光，在光源足够时尽量用短曝光
5. 异步处理：拍照和处理并行，不等待
6. 优化通讯：用以太网 / Profinet 等高速总线
7. 多相机 / 多线程并行，分担任务

5、模型训练及推理端降低CT常用措施

5.1  训练集图像分辨率

• 核心思路：在满足检测 / 识别精度的前提下，降低分辨率（而非盲目追求高分辨率）。
• 具体做法：
  • 训练前将图像统一缩放到适配模型的最小有效分辨率（如检测小目标用 640×640，无小目标则缩至 480×480），避免原始 2K/4K 大图带来的海量计算；
• 降 CT 效果：分辨率减半（如 1280→640），计算量降至 1/4，训练 / 推理 CT 直接减少 50% 以上。

5.2  ROI（感兴趣区域）

• 核心思路：只聚焦有效区域，剔除背景等无效区域的计算。
• 具体做法：
  • 训练阶段：提前标注 / 裁剪出仅包含目标的 ROI（如检测电路板仅保留板卡区域，剔除边框），仅用 ROI 数据训练，减少无效像素参与计算；
  • 推理阶段：先通过快速算法（如阈值分割、轮廓检测）定位 ROI，仅对 ROI 做模型推理，而非整图输入模型。
• 降 CT 效果：若 ROI 占整图 1/2，推理 CT 可减少 40%-60%（剔除背景干扰的同时还能提升精度）。

5.3 网络大小

• 核心思路：优先选轻量网络，对大网络做 “瘦身”。
• 具体做法：
  • 训练时直接选用轻量级骨干网络（如 YOLOv8n/s、MobileNetV3-small、ShuffleNet），替代 YOLOv8x、ResNet50 等大网络；
  • 若已用大型网络，可以针对大型网络做结构化剪枝（移除冗余卷积层 / 通道），保留核心特征提取层，减少网络参数和计算量（如剪枝 30% 通道，CT 降 25%-35%）；
  • 避免叠加过多检测头 / 分类分支，仅保留核心任务分支。
• 降 CT 效果：轻量网络对比大型网络，训练 CT 降 40%-60%，推理 CT 降 50%-70%。

5.4 采样密度

• 核心思路：降低非必要的特征采样密度，减少重复计算。
• 具体做法：
  • 训练阶段：降低数据增强的采样密度（如随机裁剪的采样步长从 8px 增至 16px，随机缩放的采样间隔从 0.1 增至 0.2），减少数据处理耗时；
  • 推理阶段：对模型输出的特征图降低采样密度（如将特征图下采样率从 8 倍调至 16 倍，仅对关键层保留高采样），减少特征遍历计算。
• 降 CT 效果：采样密度减半，特征计算耗时减少 30%-40%（需验证精度无明显损失）。

5.5 特征尺寸

• 核心思路：控制特征图尺寸，避免过大的特征图占用算力。
• 具体做法：
  • 训练阶段：调整模型的下采样倍数（如将 4 倍下采样增至 8 倍），让中间特征图尺寸缩小（如从 320×320 降至 160×160）；
  • 推理阶段：对输出特征图做自适应压缩（如仅保留目标对应的特征区域，剔除背景特征），减少后处理时的特征遍历耗时。
• 降 CT 效果：特征图尺寸减半，特征计算 / 后处理 CT 降 40%-50%。

5.6 批处理数量（batch size）

• 核心思路：在显存允许范围内，最大化批处理数量，提升 GPU 并行效率。
• 具体做法：
  • 训练阶段：通过梯度累积，将 batch size 设为 GPU 显存能承载的最大值（如 12GB 显存设 batch size=32，24GB 设 64），提升 GPU 算力利用率（从 50%→90%）；
  • 推理阶段：匹配产线节拍设置 “小批量”（如 batch size=4/8），避免单帧推理的 GPU 闲置，同时不产生等待延迟（若产线单帧触发，可缓存 2-4 帧后批量推理）。
• 降 CT 效果：训练时 batch size 翻倍，单次迭代 CT 降 30%-40%；推理时小批量（4 帧）对比单帧，单帧平均 CT 降 20%-30%。

5.7 整图 vs 分块

• 核心思路：大图优先分块处理，避免整图计算的算力浪费。
• 具体做法：
  • 整图劣势：2K/4K 大图直接输入模型，计算量呈平方级增长，CT 大幅上升；
  • 分块优势：将大图切分为固定尺寸的小块（如 4K→8 个 512×512 小块），逐块推理后拼接结果；
  • 注意：分块时保留重叠区域（避免目标跨块漏检），但重叠区宽度控制在 10%-20%（过宽会增加 CT）。
• 降 CT 效果：4K 大图分块（8×512）对比整图推理，CT 降 60%-70%（单块计算量远小于整图）。

5.8 分块滑窗大小

• 核心思路：滑窗大小匹配目标尺寸，避免过大 / 过小导致的无效计算。
• 具体做法：
  • 滑窗大小 = 目标最大尺寸 ×1.2（如检测 50px 的缺陷，滑窗设为 64×64），既覆盖目标，又避免滑窗过大（如 256×256）导致的计算量增加；
  • 统一滑窗尺寸（如全部设为 512×512），适配模型输入尺寸，避免多次缩放调整的耗时。
• 降 CT 效果：滑窗从 256×256 降至 128×128（目标尺寸匹配），单滑窗推理 CT 降 75%，整体 CT 降 50% 以上。

5.9 分块步长

• 核心思路：在不漏检的前提下，增大步长，减少滑窗数量。
• 具体做法：
  • 步长 = 滑窗大小 ×(1 - 重叠率)，重叠率控制在 10%-15%（如 512×512 滑窗，步长设为 448px，重叠 72px）；
  • 对无小目标的场景，步长可增至滑窗大小的 80%-90%（如 512 滑窗，步长 480px），进一步减少滑窗数量。
• 降 CT 效果：步长从 256px 增至 448px（512 滑窗），滑窗数量减少 60%，整体 CT 降 50%-60%。

5.10 总结

1. 像素级优化（分辨率、ROI、分块 / 滑窗）是降 CT 的 “基础操作”：降分辨率 + 聚焦 ROI + 合理分块，可快速减少 50% 以上的计算量；
2. 模型 / 算力优化（网络大小、批处理）是核心：轻量网络 + 显存最大化 batch size，提升 GPU 并行效率，进一步压缩 CT；
3. 细节调优（采样密度、特征尺寸、分块步长）是落地关键：在精度无损的前提下，减少无效计算，让 CT 优化 “不牺牲效果”。