在汽车制造行业，零部件质量直接关系到整车的安全性能。传统的人工目视检测存在效率低、漏检率高、劳动强度大等问题，已经无法满足现代化生产线的节拍要求。基于YOLOv8的深度学习缺陷检测技术，凭借其高精度和实时性优势，正在成为工业质检的主流解决方案。然而，在实际工业落地过程中，我们遇到了一个致命问题：在工厂标配的GTX1650边缘工控机上，原生YOLOv8s模型检测1080P图像的帧率仅为1.2FPS，远低于产线要求的30FPS最低标准。如果不能解决性能问题，再高的检测精度也毫无意义。本文将完整记录我们从1.2FPS到35FPS的全链路优化过程，涵盖环境配置、预处理、模型导出、推理引擎、模型压缩、后处理以及流水线架构等各个环节。所有优化方案均经过生产环境验证，在保证mAP@0.5下降不超过0.8%的前提下，实现了近30倍的性能提升。一、问题定位：性能瓶颈分析在开始优化之前，我们首先使用Python的cProfile和NVIDIA的nvidia-smi工具对整个检测流程进行了详细的性能剖析，结果如下：环节耗时(ms)占比图像预处理215