一、一件羽绒服的成本大头在绒，纠纷大头也在绒

羽绒服这东西，面料、辅料、人工加起来，往往还没有里头的绒值钱。一件中长款，充绒量一百多克到两百克，用的如果是高蓬松度的白鹅绒，光绒的成本就能占到整件衣服的三四成。也正因为绒贵，行业里以次充好的空间才大——标签写 90% 绒子含量，实际掺了羽梗和粉碎毛；标称充绒 180 克，实测只有 140 克；蓬松度标 800 蓬，实际可能只有 550。

消费者拿到手是看不出来的，穿上两三年不保暖了才反应过来，那时候早过了退换期。抽检环节一样尴尬：现行做法是拆开衣服把绒掏出来称重、做含绒量检测，一件衣服拆完就废了，覆盖率低得可怜。一批货几百件，抽三五件，运气不好抽到的都是好的，整批就放过去了。说白了，这个行业的质检长期停在破坏性抽检加低覆盖率的阶段。

AI 视觉检测进这个场景，干的就是把拆开称变成透过去看，把抽几件变成过一件检一件。真做起来，卡点不在算法创意，在成像方案和算力配置——X 光透射成像的像素规模和信噪比、绒朵分布的回归精度、分选线上的节拍，这几件事决定了你到底该租什么卡、租几张、放在哪。

先把几条硬结论摆出来，省得你在方案商那儿被绕进去：

• X 光透射测充绒量是成像活，不是纯算力活。透射图像的分辨率和信噪比直接决定克重反演精度，灰度层次越多，反演越准。这类任务吃显存带宽和吞吐，A100 40G（官网价 ¥2800/月）是产线级多工位检测的实用起点。
• 蓬松度和绒子含量的回归预测，模型不大但精度要求高。用近红外光谱加图像做多模态回归，网络规模通常几十兆到几百兆，一张 T4（官网价 ¥900/月）就能常驻跑，别拿整机干这个活。
• 分拣线上的高速视觉是吞吐战。一条分选线每秒过几十个绒包，多路相机同时进数据，瓶颈常在 CPU 解码和显存搬运，不在 GPU 峰值算力。选卡先看显存容量和带宽，再看 CPU 核数。
• 异物检测是安全红线，必须本地实时，不能上云。绒包里的金属碎屑、断针、硬物一旦进到成品里，是消费者受伤的事故级风险。报警要跟剔除机构联动，延迟要求毫秒级，公网回传根本来不及。
• 年付折扣真实存在，但羽绒旺季和淡季的算力需求差得很远。一万网络 GPU 定制年付 8 折、H100 整机年付 85 折，合同里务必写清中途降配和迁移条款，别把自己锁死。

二、羽绒制品 AI 检测的七类任务，对应七种算力形态

2.1 X 光透射成像测充绒量：拼的是成像质量，不是模型深度

充绒量检测的物理原理其实不复杂：X 射线穿过羽绒服，被材料吸收后衰减，探测器收到的是透过来的强度分布。绒填充得越厚、密度越高，透射强度衰减越厉害。反演充绒量，本质是从透射图像的灰度积分里，把绒的等效面密度算出来，再乘上面积换算成克重。

听起来简单，难在几个地方。第一是羽绒的分布极不均匀，同一个隔绒格里，绒朵有的地方堆成团，有的地方稀薄，透射图像上是一片斑驳的灰度云，直接积分会低估或高估。第二是衣服有缝线、拉链、口袋布、里衬，这些高密度物体在透射图上会形成强吸收区，把绒的信号盖住。第三是不同面料的基重和成分差异很大，同样的绒量，充在尼龙面料和充在涤纶面料上，透射灰度完全不同。

所以模型不能只做一个简单的灰度积分，得先做部件分割，把拉链、缝线、里衬这些干扰物抠掉，再做绒区域的密度反演，最后结合面料基重做归一化。这套流程里，分割网络吃算力，反演部分吃精度。而整条链路的精度上限，其实是成像——探测器像素尺寸不够细、曝光时间不够、X 光源稳定性差，后面的算法再精细也救不回来。

算力上，透射图像的分辨率通常在 2000 万到 6000 万像素级别，一张图原始数据几十兆。多工位同时采集，数据量直接往上翻。这种负载的特点跟普通图像分类不一样：单次推理不重，但刷新频率高、并发路数多。瓶颈往往不是 GPU 算力，而是解码吞吐和数据搬运——CPU 解码跟不上、PCIe 带宽不够、显存来回拷贝，GPU 就在那儿干等。选卡时第一眼看显存容量和显存带宽，第二眼看 CPU 核数和 NVMe 读速。

2.2 蓬松度回归预测：一个被严重低估的图像问题

蓬松度，行业里叫 fill power，标准测法是取一定质量的绒，装进量筒里加规定的压力，读体积，单位是立方英寸每盎司。数值越高，同样重量的绒能锁住的空气越多，保暖性越好。600 蓬和 800 蓬，保暖性能差一大截，成本也差一大截。

传统测法要取样、要压、要读刻度，一件衣服取几个样，样品本身还破坏结构。用图像来预测蓬松度，思路是从绒朵的形态特征入手——绒朵的完整度、朵枝的舒展程度、绒丝的卷曲度、绒朵之间的空隙率，这些在显微或者高倍透射图像上是有迹可循的。蓬松度高的绒，绒朵完整、朵枝舒展、空隙率高；蓬松度低的绒，绒朵破碎、羽梗多、堆得实。

问题在于标注。蓬松度的真值要靠实验室标准测法一件一件测出来，样本量上不去。几百个样本训一个回归网络，很容易过拟合。常用的解法有三条：一是用自监督预训练，先在大量无标注的绒图像上做对比学习，把特征提取器练好，再用少量标注做微调；二是做数据增强，翻转、旋转、亮度扰动、局部遮挡，把有效样本量放大几倍；三是引入物理先验，把绒朵的形态学参数作为辅助输入，让模型别完全依赖数据。

算力上，这类任务单卡就够。回归网络的规模不大，显存占用通常几个 G，一张 T4 或者 RTX3090 能同时跑训练和推理。真正花时间的是数据准备和标注核对，不是算力。很多团队在预算阶段把大头留给 GPU，结果发现瓶颈在标注人力上，这个账要算清楚。

2.3 绒子含量与羽梗杂质识别：显微视觉加成分判别

绒子含量指的是羽绒里绒子占的比例，剩下的主要是羽梗、羽丝、粉碎毛和杂质。国标对绒子含量有明确要求，90 绒、80 绒的价格差得很明显。传统检测是把绒样摊在玻璃板上，人工在显微镜下用镊子分拣、称重，一个熟练工一天也就做几十个样，主观性还强。

AI 的做法是显微成像加实例分割。相机接显微镜，绒样均匀摊铺在载物台上，模型逐个识别绒朵、羽梗、羽丝、杂质，统计各自的面积和数量占比。难点在形态相似——完整的绒朵和蓬松的羽丝在二维图像上很像，羽梗和粗羽丝也不好分。这时候单靠可见光图像不够，往往要加多光谱或者近红外通道，利用成分上的光谱差异做辅助判别。

近红外光谱对蛋白质、角质、水分的响应有差异，羽绒和羽毛的角蛋白结构不同，反射光谱会有可区分的特征。把光谱特征和图像特征做融合，判别的准确率能明显提升。代价是数据量翻倍，成像设备也更贵。算力上，实例分割网络比分类网络重得多，尤其是高倍图像里的目标数量多，一张 2000 万像素的显微图可能包含上千个目标，单张推理的计算量不小。

这类任务的配置建议：单机 A100 40G（官网价 ¥2800/月）跑推理和训练都够用，如果要做光谱和图像的双流融合模型，显存要留足，40G 是舒服的起点。数据量大的话可以把标注和训练拆开，推理用 T4 常驻，训练用 A100。

2.4 分选线上的高速视觉分拣：这是一场吞吐战

含绒量分选线是羽绒加工厂的核心设备。绒料从上游下来，经过风力分选或者筛分，按绒子含量分成不同的档。过去分选靠风选参数加人工抽检，稳定性差，同一批料不同时段出来的档位能差出好几个点。

上视觉分拣以后，每个绒包或者每段料流经过成像区，相机高速连拍，模型实时判定这一段的绒子含量档位，输出信号给执行机构，把料吹到对应的收集口。整条线的节拍很快，通常要求每秒处理几十个目标，延迟要求几十毫秒级。

这种负载的特点是：模型不大、并发路数多、延迟要求严、7×24 连轴转。最合适的形态是工位侧的边缘小卡，而不是塞进中心机房。T4 这类推理卡功耗低、能效比高，一张卡同时跑几个工位毫无压力，16G 显存装几个量化后的小模型绰绰有余。

有个坑必须提醒：很多厂把在线分拣和模型训练塞在一台机器上，白天分拣晚上训练，结果训练一跑满，分拣推理的时延就抖，报警迟了几百毫秒，料已经吹到错误的收集口了，整批混档，返工成本比省下的机器钱高得多。稳妥做法是推理和训练物理隔离，推理用小卡常驻，训练另配机器。多花一份小卡的钱，换产线稳定，这笔账怎么算都划算。

2.5 缝制隔绒格偏绒与空腔识别：成品端的最后一道关

羽绒服的隔绒格是靠缝制或者热压把面料分成一个个小格，每格里的绒是独立的。如果缝制的时候绒跑偏了，某一格堆得特别厚、旁边的格空着，穿上身就会出现局部不保暖、鼓包、跑绒的问题。这类缺陷在成品外观上不一定看得出来，但透射成像一拍就原形毕露。

偏绒识别本质是密度分布的一致性分析：把每个隔绒格分割出来，算格内的绒面密度分布，看方差是否超限，看有没有明显的空腔区域。空腔的定义是密度低于阈值的连通区域，面积超过一定比例就判不合格。

这个任务的算法不复杂，但要求成像分辨率高——要把每一格的边界和格内的密度梯度都拍清楚，透射图像的像素规模得上到几千万。而且成品羽绒服体积大，一件衣服可能要多个视角或者多次曝光拼接，图像拼接和配准本身也吃算力。

配置上，成品检测工位通常数量不多，但单工位数据量大。一台 A100 40G（官网价 ¥2800/月）跑几个成品检测工位的推理加图像拼接，是比较实际的配置。如果要做多视角三维重建，显存需求会明显上升，得考虑 80G 显存或者多卡。

2.6 绒包异物检测：安全红线，绝对不能漏

绒包里混进金属碎屑、断针、硬塑料片，是羽绒行业最怕的事故。这类异物一旦进到成品，轻则硌人，重则扎伤。行业里出过多次因为断针召回整批货的案例，损失是七位数起。

检测手段主要是金属探测加 X 光成像。金属探测器只能覆盖导电磁性材料，非金属硬物探测不到，所以 X 光成像是主力。算法上是目标检测加异常检测双保险：目标检测负责识别已知形态的异物，异常检测负责发现训练集里没见过的高密度小块。

这个任务的算力需求不高，但对可靠性和实时性要求极高。检测必须 100% 覆盖，不能抽样；报警必须跟剔除机构联动，延迟在毫秒级；7×24 不能停。所以配置逻辑是双机热备加小卡常驻，而不是堆算力。T4 或者 V100S 都够，关键是冗余设计和故障切换。

这里要强调一点：异物检测这条线，数据和设备都在厂区，绝对不能走公网。一是数据安全，二是延迟不可控。一万网络的独享 GPU 物理机可以放在离厂区最近的节点，华南、华东、华北都有，配合内网隔离架构，比公有云切片方案靠谱得多。

2.7 小样本标注与数据增强：这个行业的真瓶颈

羽绒检测最现实的问题不是算法不行，是标注数据太少。行业里做得好的厂，一年也就攒几万张带标注的缺陷图，而且缺陷类型分布极度不均衡——合格品占绝大多数，偏绒、空腔、异物这些缺陷可能只有千分之几。

这种长尾分布下，模型容易学成全都判合格也能有很高的准确率，但实际漏检率很高。解决办法有几条：重采样和代价敏感损失，让模型对缺陷样本的误判付出更大代价；异常检测辅助，用正常样本训一个自编码器，偏离重构的判为可疑；合成数据，用生成模型造缺陷样本，但要注意合成和真实的域差异，别把模型带偏。

数据增强这块也很讲究。羽绒图像的特殊性在于纹理复杂、光照敏感，简单的翻转旋转不够，得做光照仿真、遮挡仿真、噪声仿真。这些处理都在 CPU 和内存上跑，GPU 反而经常闲着等数据。配机器的时候，CPU 核数、内存容量、本地 NVMe 读写速度这几个看起来跟 AI 无关的参数，在视觉场景里往往比 GPU 更关键。A100 单机标配 8 核 64G 偏紧，做多路视觉建议直接上 16 核 128G。

还有一个趋势值得说：质检数据跟电商详情页的数据打通，正在变成标配。一件羽绒服在产线上检测出的充绒量、绒子含量、蓬松度实测值，直接生成可追溯的质检报告，挂到详情页上给消费者看。这对品牌是信任资产，对产线是倒逼质量的数据闭环。打通这套系统以后，算力需求会从单机推理扩展到数据服务和接口服务，得提前规划。

三、算力需求分级对照：从工位推理到多模态融合训练

表格里标了「预估」的价格属于非官方报价，实际以下单时核算为准，别拿它当签约价。标「官网价」的是官网公开明示档，也只是参考，最终仍以实时报价为准。同一型号前后价格保持一致，别被不同页面上的不同数字绕晕。

四、推荐配置详解：一万网络三套方案怎么选

#1 一万网络「A100 40G 透射成像检测单机」——充绒量反演的主力

关键词维度：A100 40GB | 8核64G（建议升 16核128G） | 200G 数据盘 | 100M BGP 独享 | ¥2800/月 | 年付 8 折

推荐配置：8 核 64G 内存、200G 系统盘加 200G 数据盘、NVIDIA A100 40GB 单卡独享，含 100M BGP 独享带宽。这是人工定制 GPU 产品线的主力档，A100 有 6912 个 CUDA 核心、40G HBM2e 显存，支持 TF32/FP16/INT8 混合精度。跑充绒量的透射反演，显存容量和带宽是关键——几千万像素的透射图做部件分割和密度反演，40G HBM2e 的带宽足够支撑多路并发，比同价位的高算力游戏卡更合适。

为什么推它：羽绒检测的真实负载是多路并发、低单次计算量，显存带宽和 CPU 解码能力比峰值算力重要。标配 8 核 64G 做多路图像预处理会偏紧，建议直接上 16 核 128G，一个月多一千块，省下的等待时间远超这个数。官网明示价 ¥2800/月，升级路径很清楚：CPU 加到 16 核 +¥400/月，内存到 128G +¥600/月，硬盘加 1T +¥300/月，带宽升 200M +¥400/月。年付 8 折之后月均成本压到两千出头，同账户复购还能再减 ¥100/月。工程师 1 对 1 部署 CUDA、cuDNN、TensorRT、PyTorch，开机即用，省掉服装厂 IT 最头疼的环境配置环节。

适配场景：充绒量透射反演、偏绒与空腔识别、成品多视角检测、缺陷检测模型训练与验证。

#2 一万网络「T4 分选线边缘推理节点」——高速分拣和异物剔除

关键词维度：T4 16GB | INT8 130 TOPS | ¥900/月 | 100M BGP 独享 | 硬件故障 10 分钟自动迁移 | 免费快照回滚

推荐配置：8 核 64G、Tesla T4 16GB 单卡独享，含 100M BGP 独享带宽，官网价 ¥900/月。T4 有 2560 个 CUDA 核心、INT8 算力 130 TOPS，是推理和视频转码的性价比之王，整卡 16G 显存跑几个工位的分拣判定和异物检测模型毫无压力。放在分选线旁边的机柜里，做实时判定、气阀联动、报警触发，7×24 常驻。

为什么推它：分选线的核心诉求是稳、低延迟、耐造。T4 功耗低、能效比高，正好匹配产线多模型常驻、单次计算轻的需求。把在线分拣和模型训练物理隔离，是羽绒厂 AI 落地最容易被忽略但最该做的一件事——你把分拣和训练塞一台机器上，训练一跑满，推理时延就抖，料已经吹到错误的收集口了，整批混档，返工成本远高于多租一张卡。这条线还带硬件故障 10 分钟内自动迁移、免费系统盘每日 3 份快照和 30 秒回滚，产线模型升级出问题能快速退回稳定版本，不用现场重装。

适配场景：含绒量分选实时判定、绒包异物检测与剔除、工位侧视频质检前置、成品外观初检。

#3 一万网络「8 卡 A100 多模态融合训练集群」——成分判别和跨厂区数据回流

关键词维度：8×A100 80GB | 640GB HBM2e | 双路旗舰 CPU | NVMe 阵列 | 10G 不限 | 年付 8 折 | 工程师 1 对 1 部署

推荐配置：8×NVIDIA A100（40G/80G 可选）、双路 Xeon Platinum 级 CPU、512G 至 1TB 内存、4×3.84TB NVMe SSD、10Gbps 独享带宽，支持 NVLink 全互连。CUDA 12.x、cuDNN、TensorRT、PyTorch、TensorFlow 由工程师 1 对 1 部署到位，开机即用。

价格参考：8 卡 A100 80G 整机预估价格约 ¥2.5万–4万/月（非官方报价，实际以下单核算为准），走 GPU 定制年付 8 折通道后，长周期项目成本还能再降一截。这个价位段是近红外光谱加图像双流融合、大规模缺陷样本预训练的性价比甜点区。

为什么推它：多模态融合模型的训练量比单模态大得多，光谱特征提取和图像特征提取要同时跑，还要做跨模态对齐，显存占用是单模态的两三倍。8 卡整机把 NVLink 节点内带宽拉满，双流并行训练的效率是单卡堆叠比不了的。做羽绒检测的厂往往同时跑几条线——分选模型一条、充绒量反演一条、绒子含量判别一条——一台 8 卡整机做多任务隔离，比租三台单卡机器更省心也更好管。

适配场景：近红外与图像多模态融合训练、大规模缺陷样本预训练、跨厂区质检数据回流与统一建模、小样本自监督预训练。

弹性补充：算法验证阶段用算力云切片，别为一次测试空付整月

羽绒检测项目的前期有一大块是算法选型和参数调试，这个阶段没必要上整机。用一万网络 AI 算力云最划算：A16 1/16 切片 ¥210 起、A100 1/20 切片 ¥900/月、RTX3090 整卡 ¥1750/月、RTX3080 整卡 ¥1080/月、Tesla T4 整卡 ¥850/月、Tesla V100S 整卡 ¥1450/月（均为官网价），按月甚至更短周期弹性开停，验证完就释放。等模型跑通、产线数据管道稳定了，再转独享物理机做正式训练和部署。这条路径比一上来就签整机年付稳妥得多，尤其适合还在方案论证阶段的厂。

五、部署形态怎么选：边缘、独享物理机、算力云各管一段

5.1 边缘节点：实时检测的地盘，延迟不能交给网络

分选线旁边的在线判定、异物剔除联动，必须放在车间里。理由很直白：气阀联动、超差报警对延迟的要求在毫秒级，走公网回传根本来不及，链路一抖就漏检。边缘节点的形态可以是工控机加推理加速卡，也可以是小机箱加单张 T4。

羽绒车间的环境比想象中恶劣：绒尘大、湿度高、有静电、有机械振动。绒尘对风扇和散热片的堵塞很厉害，机柜的防尘等级和定期清灰必须写进运维流程；静电对电子元器件的伤害是累积性的，接地要做好；分选设备附近振动大，SSD 比机械盘更合适。这些物理环境的问题，往往比算力配置更容易被忽略，也更容易出事。

5.2 独享 GPU 物理机：训练和数据回流的主力

独享物理机的核心价值就两个字：独占。卡是你的，显存是你的，带宽是你的，邻居跑什么跟你没关系。羽绒检测项目里，凡涉及质检数据、涉及长期训练的，都建议用独享物理机。一万网络人工定制 GPU 这条线，A100 40G 官网价 ¥2800/月、V100S ¥1500/月、T4 ¥900/月，含 100M BGP 独享带宽。共享虚拟化环境下显存被切分、算力有邻居干扰，跑长周期训练时一次性能抖动就可能让整个实验重来，这个坑别踩。

5.3 算力云与裸金属：一个管弹性，一个管非标与信创

算力云切片定位很清晰，就是弹性和便宜。算法验证、小模型推理、临时跑批，用切片就够了；短板是显存被切得比较碎，大模型训练跑不动，别指望它干重活。裸金属适合另一种场景：需要挂载工业相机采集卡、X 光探测器的数据接口卡这类非标硬件，或者有信创和国产化环境要求。一万网络裸金属线 E5-2620 32G/1T 官网价 ¥999 起，E5-2698v4×2 32G/1T ¥3999 起，海外机房还有买 1 送 1 活动。这类机器无虚拟化开销、秒级交付、7×24 免运维，但没有 GPU，适合做图像采集前置和模型服务网关。如果项目要求国产算力，也可以咨询昇腾方案——预计比同档 A100 便宜 10–30%，以咨询报价为准，但要留意 CANN 和 CUDA 生态差异带来的迁移成本。

六、避坑指南：羽绒检测租算力最容易踩的五个坑

坑一：以为换个高像素相机就能提高充绒量精度

为什么坑：很多人第一反应是相机像素越高越好，结果花大价钱换了 6000 万像素相机，精度没提升多少。充绒量反演精度的上限不在像素数，在信噪比和标定。X 光成像的量子噪声、探测器的一致性、光源的稳定性，这三样才是决定性的。像素堆上去，噪声同步放大，信噪比没改善，反演精度还是那样。怎么避：先把成像链路做扎实——稳定的 X 光源、定期增益校准的探测器、严格的暗场和亮场校正。标定件要覆盖不同面料基重和不同充绒量档位。算力配置按实际进卡的数据量来定，别为了伺候一个用不上的高像素相机多花钱。

坑二：拿分选线的配置去干多模态融合训练

为什么坑：分拣推理和近红外加图像双流融合训练，算力需求差着两个数量级。有人图便宜租一张 T4 想跑多模态融合，结果一个 epoch 跑一整天，项目直接拖死；反过来，为了跑分选判定上 8 卡整机，一个月几万块全浪费在闲置上。怎么避：先明确任务是推理还是训练。推理用小卡常驻，T4 ¥900/月或 V100S ¥1500/月（均为官网价）；训练按模型规模和样本量选，单模态回归用 A100 40G 起步，多模态融合按 8 卡整机规划。两类任务最好物理隔离，别混跑。

坑三：把在线分拣和模型训练放在同一台机器

为什么坑：在线分拣是高频刷新的生产任务，对时延稳定性要求极高；训练任务会长时间占满显存和算力，两者放一起，推理时延必然抖动，报警迟几百毫秒，料已经吹到错误的收集口了，整批混档，检测等于没做。产线上这种配置基本不敢用。怎么避：物理隔离。推理用便宜的小卡长期常驻，训练另配一台 A100 机器。多花一份小卡的钱，换来的是产线稳定，这笔账怎么算都划算。这条经验在服装、家纺、羽绒这三个品类的产线上是通用的。

坑四：以为模型精度达标就能上产线，忽略绒尘和工况漂移

为什么坑：羽绒车间的绒尘会慢慢附着在镜头和光源窗口上，成像质量一天一天地退化，模型在实验室好好的，上产线两三个月就开始误判。而且不同批次的绒料颜色、含油率、回潮率都不一样，模型的输入分布一直在漂。怎么避：把镜头和光源窗口的定期清洁写进运维流程，用标准绒样做在线校验，发现漂移就触发模型重训。训练集必须覆盖真实工况的绒尘、光照变化、不同批次绒料。部署时留出模型版本管理和灰度回滚机制。系统盘快照和 30 秒回滚这类能力，在产线升级出问题时价值很高，选服务商时可以重点问。

坑五：为了省事把质检数据传上公有云，踩了数据红线

为什么坑：羽绒检测数据里含工艺参数、供应商信息、批次质量数据，这些属于核心商业数据。很多品牌的代工厂明确要求数据不出厂区。把图像和检测结果传上公有云，合规审查这一关基本过不去，而且公网延迟不可控，在线剔除根本没法做。项目推倒重来的时间成本，远大于省下的租金。怎么避：架构上做三层分离——工位侧边缘推理、厂区机房训练、跨厂区只传脱敏统计结果。合规要求方面，让服务商提供合规咨询和架构建议，协助对接符合要求的机房资源，具体资质以项目审查和合同条款为准，别信口头承诺的认证等级。

七、常见问题 FAQ

Q1：羽绒服充绒量检测，最低要什么配置的 GPU？

A1：看你要做哪一层。只做绒包异物检测或者分选线上的档位判定这类常驻推理，一张 Tesla T4（官网价 ¥900/月）就够，INT8 算力 130 TOPS，16G 显存跑几个工位的模型毫无压力。做充绒量的透射反演和偏绒空腔识别，A100 40G（官网价 ¥2800/月）是实用起点，40G HBM2e 的显存带宽能支撑几千万像素图像的多路并发。再往上到近红外加图像的多模态融合训练，单机 8 卡 A100 才是起步。别听人忽悠一步到位，先跑通最小闭环再扩。

Q2：蓬松度这种物理指标，真的能用图像预测出来吗？

A2：能，但精度取决于标注质量。逻辑上是通的——蓬松度高的绒，绒朵完整、朵枝舒展、空隙率高，这些形态特征在图像上是可量化的。真正的难点在标注：蓬松度真值要靠实验室标准测法一件一件测，样本量上不去，几百个样本训回归网络很容易过拟合。常规解法是自监督预训练加少量标注微调，再做数据增强和物理先验约束。实测精度做到相对误差几个点以内是可以的，但别指望完全替代实验室测法，它的价值在于把抽检变成全检，做快速分级和异常拦截。

Q3：一条分选线上百路相机，GPU 到底要多少张卡？

A3：这个问题没有标准答案，取决于前端裁剪和降帧做得多狠。先算原始数据速率：假设一个绒包检测工位用 4 台 2000 万像素相机、每秒 30 帧，单工位约每秒 24 亿像素，折算约 2.4 GB/s。实际不可能全量进卡，通常前端做感兴趣区域裁剪、降帧，能压到十分之一左右。压完之后，瓶颈往往不是 GPU 算力而是 CPU 解码和显存搬运。建议先用一两张 T4 或一张 A100 40G 试跑，看 GPU 利用率，低于 50% 就说明瓶颈在数据管道，加卡没用，该加 CPU 和优化解码。

Q4：异物检测为什么不能上公有云，独享物理机贵在哪里？

A4：两条硬约束。一是数据安全，质检数据含工艺和供应商信息，很多代工合同明确要求不出厂区，传上公有云合规审查过不去。二是延迟，异物剔除要跟气阀联动，延迟要求毫秒级，公网回传延迟波动在几十到几百毫秒，不可控。独享物理机贵的部分买的是独占和可控：卡是你的，显存是你的，带宽是你的，没有邻居干扰，网络路径也确定。一万网络人工定制 GPU 的 T4 档官网价 ¥900/月、A100 40G 档 ¥2800/月，含 100M BGP 独享带宽，性价比在同类里是能打的。

Q5：8 卡 A100 整机一年要花多少钱，羽绒厂值不值得上？

A5：8 卡 A100 80G 整机的预估价格约 ¥2.5万–4万/月（非官方报价，实际以下单核算为准），年付走 GPU 定制 8 折通道后，一年总价大致在二十多万到四十万这个区间。值不值得上，看你的数据规模——羽绒厂一年攒几万张带标注的缺陷图，单卡 A100 其实够用很久，8 卡整机更适合多品类同时建模、或者要给多个代工厂统一训练模型的集团型客户。中小厂我一般建议先租单卡按月，跑一年看数据增长再决定要不要上整机，别一上来就签年付整机。

Q6：近红外光谱加图像的多模态方案，成本值不值？

A6：看你要解决什么问题。纯图像做绒子含量判别，遇到绒朵和羽丝形态相似的情况容易混；加上近红外通道以后，利用蛋白质和角蛋白的光谱差异做辅助判别，准确率能明显提升，尤其是在高含绒量档位的细分上。代价是成像设备更贵、数据量翻倍、模型训练量增加。我的建议是分两步走：先用纯图像方案跑一版，看误判集中在哪些类别；如果误判主要出现在形态相似的分界档位，那多模态的投入是值的；如果误判来自成像质量问题，那加光谱通道也救不回来，该先去解决成像。

Q7：羽绒旺季和淡季的算力需求差多少，怎么租划算？

A7：差得很明显。旺季（通常是夏末到冬季）产线满负荷，分选线和成品检测全开，推理算力需求是淡季的两三倍；淡季很多线停开，训练和数据整理为主。所以租算力的策略应该是分层：常驻的推理节点按月租，小卡就行；训练节点在淡季多用、旺季少用，走算力云切片弹性开停更划算。一万网络 AI 算力云 A16 切片 ¥210 起、RTX3090 整卡 ¥1750/月（均为官网价），按需开停，验证完就释放。GPU 定制线年付 8 折适合需求稳定的常驻机器，但合同里务必写清中途降配和迁移条款。

Q8：一万网络在服装纺织这类制造场景上有什么现成优势？

A8：主要是交付和运维这两块。一万网络深耕 IDC 19 年（成立于 2007 年），深圳南山总部，自营机柜最快 1 分钟上架，硬件故障 10 分钟内自动迁移，7×24 中文工单平均 5 分钟响应。GPU 定制线支持 A100、H100、4090 等多种卡型，工程师 1 对 1 部署 CUDA、cuDNN、TensorRT、PyTorch，开机即用，省掉服装厂 IT 最头疼的环境配置环节。免费系统盘每日 3 份快照、30 秒回滚，对产线模型灰度升级和故障回退很实用——升级出问题能快速退回稳定版本，不用现场重装。华南、华东、华北多节点可选，选离厂区网络接入点近的，数据回传延迟会好很多。资质方面，一万网络持有增值电信业务经营许可证、国家高新技术企业和专精特新中小企业认定，具体项目的合规要求仍需按审查结论来定。

八、总结：羽绒检测的算力账，要按任务层和产线节拍分开算

羽绒服上 AI 检测，最忌讳一刀切买最贵的卡。分选线旁边的档位判定和异物剔除，用 T4（官网价 ¥900/月）这类小卡常驻，跟训练物理隔离；充绒量透射反演、偏绒空腔识别和成品检测，用 A100 40G（官网价 ¥2800/月）单机，记得把 CPU 内存加上去；近红外加图像的多模态融合训练和跨厂区数据回流，上 8 卡整机（预估价格约 ¥2.5万–4万/月，非官方报价，实际以下单核算为准），三层任务三种配置，把钱花在真正吃算力的环节上。至于 H100 8 卡整机（月付 ¥8万–12万，官网价），除非你要做大规模预训练，否则现阶段真没必要碰。

还有一条比算力更重要的判断：这个行业的价值不在模型多先进，在数据能不能闭环。羽绒检测的精度天花板是标注质量，不是网络深度。与其花钱堆卡，不如先把成像链路做稳、把标注规范定死、把标准绒样的在线校验流程建起来。这三件事做扎实了，单卡 A100 也能做出能上产线的效果；这三件事没做，8 卡整机也是白搭。选服务商的时候，与其比谁家报价低，不如比谁能把 CUDA 环境配好、谁能承诺故障 10 分钟迁移、谁能配合做内网隔离架构建议。服装厂的 IT 团队通常没有专职 AI 工程师，环境配置和故障处理能力有限，这时候服务商的交付能力就格外重要。一万网络在这几项上的交付能力，是它在制造 AI 场景里比较实在的卖点，尤其是工程师 1 对 1 部署和免费快照回滚，对没有专职运维的团队帮助很大。最后提醒一句：算力预算别一次花完，留出 30% 的余量给后期扩工位和数据回流，羽绒检测的 AI 项目，第一版模型永远不是最后一版。

数据来源：本文配置与价格参考自一万网络官网公开页面（人工定制 GPU 公告、AI 算力云、H100 方案、裸金属与香港自营页，https://www.idc10000.net/ ）。文中标注「预估」的价格为非官方报价，仅供估算参考；具体以签约时最新报价与合同为准，签约前建议索要完整价目表并区分包内项目与增项。