场景：把 YOLOv8（ONNX）转换成瑞芯微 RKNN 格式上 NPU（RK3576），FP16 一切正常，INT8 量化后模型直接"瞎了"——一张缺陷都检不出来。根因是 YOLOv8 的输出结构天生不适合 per-tensor INT8 量化，解法是把输出头拆开。本文完整记录排查过程和解法，转任何 NPU 平台（RKNN、地平线、昇腾）都可能遇到同样的问题。

场景：把 YOLOv8（ONNX）转换成瑞芯微 RKNN 格式上 NPU（RK3576），FP16 一切正常，INT8 量化后模型直接"瞎了"——一张缺陷都检不出来。根因是 YOLOv8 的输出结构天生不适合 per-tensor INT8 量化，解法是把输出头拆开。本文完整记录排查过程和解法，转任何 NPU 平台（RKNN、地平线、昇腾）都可能遇到同样的问题。

场景：产线要检测木料"缺齿"缺陷（应有的齿掉了/残了）。上深度学习之前，我们先试了一套纯传统视觉方案：零训练数据、零 GPU、每步可解释。本文完整还原这套方案的思路和实现，以及最后为什么还是转向了 YOLO。