轻量化YOLO算法在嵌入式设备行人检测中的实现

去年接了一个停车场道闸系统的项目，要求在树莓派上做实时行人检测，预算有限不能上GPU，当时第一反应是“这能跑得动？”折腾了三个月，踩了不少坑，最后总算把检测帧率从3帧提到了25帧左右。今天把这些经验整理一下，不聊虚的，直接说怎么让YOLO在嵌入式设备上老老实实干活。很多人一上来就丢给我一本YOLOv8的文档，说“照着做就行”。但真放到树莓派或者Jetson Nano上跑一下，你就会发现事情没那么简单——要么模型太大跑不动，要么精度掉得没法用。这篇文章我会手把手带你走一遍从选模型到部署的全流程，代码都是我在实际项目中调过的版本，不是那种复制粘贴就跑不通的demo。为什么要专门搞一个轻量化版本先说说我踩的第一个坑。一开始图省事，直接拿YOLOv5s在笔记本电脑上训练，mAP跑到0.85，美滋滋。结果往树莓派4B上一部署，你猜怎么着——每秒0.8帧。对，你没看错，不到1帧。检测一个人要等一秒多，人早走过去了。这就是典型的“实验室模型下不了产线”。嵌入式设备和电脑的区别太大了：算力差几十倍甚至上百倍（电脑GPU几千个核，树莓派CPU 4个核）内存连零头都比不上（电脑16GB起步，嵌入式可能就1-2GB）功耗要求极其苛刻（谁也不想拖个发电机）所以我们必须做轻量化。那什么是轻量化呢？简单说就是让模型变小、变快，但同时还得“认识人”。就像让你记一本辞典，但不是让你背全部，而是挑最常用的几千个词——大多数人日常交流其实够了。选哪个YOLO版本市面上YOLO版本多得像超市里的矿泉水，我帮你筛选一下。