大家现在主力用PyTorch还是TensorFlow？最近转项目好纠结

工业检测部署到嵌入式的话，TF Lite和ONNX Runtime的生态确实更成熟些，尤其是量化工具链比较省心。不过如果团队之前Keras用得多，转TF也就改改API的事，PyTorch那边动态图写起来爽但端侧部署坑要多踩几个。你们目标板子是啥芯片，有没有NPU？这个其实比框架选择更影响落地难度。

工业检测加嵌入式部署的话，PyTorch这边有TorchScript和ONNX两条路，TF那边TFLite对量化支持更成熟一些，但生态这几年确实被拉开差距了。我们组去年做类似项目最后选了PyTorch，主要是训练到导出链路顺，不过嵌入式端跑量化模型还是踩了不少坑。建议你先看目标芯片的SDK官方支持哪个框架，这个比框架本身好不好用更关键，毕竟部署跑不起来再顺手也白搭。

嵌入式部署的话建议直接看TensorFlow Lite，PyTorch那边edge端还是折腾些。

工业检测加嵌入式部署这个组合，其实选型逻辑跟纯做实验差挺多的。你要是只比训练端的生态，PyTorch现在确实舒服，调试直观、社区也活跃，但落到嵌入式那一步，TensorFlow系（尤其是TFLite和Edge TPU那条线）的部署工具链还是更成熟一些，量化、算子兼容这些坑踩起来相对少。不过这两年PyTorch也在追，TorchScript加ONNX再转TensorRT或者NCNN，路子是通的，就是中间环节多了容易出幺蛾子。你们板子具体是什么芯片？如果是瑞芯微或者寒武纪那种，最好先去看官方示例用的是哪个框架，跟着走能省不少事。我的建议是训练端用PyTorch、导出走ONNX，部署端再按芯片选运行时，别指望一个框架从头吃到尾。真要图省心，也可以先拿个小模型把整条部署链路跑通再决定，不然调研再多都是纸上谈兵。