手机端实时目标检测(如摄像头预览、AR应用)对模型的“精度-速度-功耗”要求严苛:YOLOv8n原始版本在骁龙865上仅能跑22FPS,且因移动端算力限制,小目标AP(<32×32)仅19.7%,难以满足实用需求。
本文通过“卷积拆分+通道瘦身+硬件适配”三重轻量化策略,在几乎不损失精度的前提下将计算量降低42%,同时优化特征表达提升小目标检测能力。改进后的YOLOv8n-Lite在骁龙865上实现35FPS实时推理,COCO数据集mAP从43.3%提升至46.5%(+3.2%),小目标AP提升更显著(+5.8%)。
一、手机端部署的3大核心约束(YOLOv8n原生瓶颈)
手机端与服务器端的硬件差异(CPU/GPU算力、内存带宽、功耗限制)导致YOLOv8n直接移植面临三个核心问题:
1. 计算量冗余,难以突破30FPS
YOLOv8n的Backbone和Neck中,3x3普通卷积占总计算量的68%(如图1),而手机端CPU的3x3卷积计算效率低(缺乏专用加速单元)。例如,C2f模块中的Bottleneck使用连续3x3卷积,在骁龙865的Kryo 585 CPU上,单帧推理耗时达45ms(仅22FPS),远超实时门槛(<28ms)。
2. 通道设计不合理,内存访问效率低
YOLOv8n的通道数(如128、256)未考虑手机端内存对齐要求(通常为16的倍数),导致特征图存储存在“内存碎片”,访问速度降低30%。此外,部分通道存在冗余(如Neck的512通道中,30%的通道响应
订阅专栏 解锁全文
7343




被折叠的 条评论
为什么被折叠?



