踩了3个月坑：树莓派跑Python轻量AI异常检测的落地清单

很多人做物联网设备异常检测，第一反应是把传感器数据全传云端跑模型——等你真接了上百个节点，流量费、响应延迟能直接把中小项目拖到延期。

硬件选型不堆无用参数

• 没必要上4G/8G内存版本的树莓派5，2G版本足够跑10KB级别的轻量异常检测模型，单节点硬件成本能压到200元以内。
• 常规温湿度、电流、设备振动类场景，传感器采样率别设超过10Hz，5Hz采样就能覆盖98%的异常特征，高采样率攒下的全是无效冗余数据。

部署直接绕开重型框架

• 别往边缘端装PyTorch、TensorFlow这类重型框架，用sklearn在云端训练孤立森林模型，joblib导出的模型文件不超20KB，内存占用不到50MB。
• 推理脚本依赖极简：pyserial读串口传感器数据、joblib加载模型、socket上传告警信息，最小可运行代码：

  import joblib, serial
  clf = joblib.load('iforest_v1.model')
  ser = serial.Serial('/dev/ttyUSB0', 9600, timeout=1)
  abnormal_count = 0
  while True:
      raw = ser.readline().decode().strip()
      if not raw:
          continue
      sensor_val = float(raw)
      if clf.predict([[sensor_val]])[0] == -1:
          abnormal_count +=1
          if abnormal_count >=3:
              send_alert(sensor_val)
              abnormal_count =0
      else:
          abnormal_count =0
  

落地必避的坑

永远不要在边缘节点做模型重训练，所有迭代全在云端完成，端侧只做推理，单条数据推理耗时稳定在1ms以内，完全不会阻塞传感器采集流程。

• 串口初始化必须加timeout=1的参数，不然传感器偶发掉线会直接卡死整个采集进程。
• 别用单次模型推理结果触发告警，加连续3次异常的判定阈值，实测能把环境干扰导致的误报率从32%压到0.8%。