4. 轻量化模型家族选型
在农业视觉边缘部署中，骨干网络的选择往往比训练技巧更早决定项目上限。田间的虫情测报灯、果园巡检机器人、无人机巡田吊舱，算力通常只有 0.5～6 TOPS，内存 256 MB～2 GB，功耗受电池或太阳能约束。此时“精度最高的模型”未必可用，“最轻的模型”又可能漏检小目标。本节围绕四类主流轻量骨干，讲清它们的结构差异、参数量与精度的权衡关系，并给出一套面向农业任务的选型决策依据。
四类轻量骨干的结构特征
MobileNetV3 的核心是深度可分离卷积加 SE 注意力（Squeeze-and-Excitation），并用神经架构搜索（NAS）确定通道配置。它分 Large 与 Small 两档，Large 约 5.4M 参数、2.2 亿乘加（219 MFLOPs），Small 约 2.5M 参数、0.6 亿乘加。SE 模块让网络能对通道加权，对“病斑区域与健康叶片颜色差异”这类通道可分性强的农业任务较友好，但 SE 的全局池化在极小分辨率下收益下降。
ShuffleNetV2 的设计原则来自对内存访问成本（MAC）的分析：输入输出通道数相等时 MAC 最小，分组卷积要慎用，网络分支不宜过多。它用通道拆分（Channel Split）加通道混洗（Channel Shuffle）实现跨组信息交换，1.0x 版本约 2.3M 参数、146 MFLOPs。结构规整、算子简单，在瑞芯微 RK3568、树莓派这类只有基础卷积加速的平台上实测帧率往往更稳，是“算力弱但要求实时”场景的稳妥选择。
EfficientNet-Lite 是 EfficientNet 面向边缘推理的裁剪版：去掉 SE 中的部分激活、把 Swish 换成 ReLU6、固定分辨率档位（224/240/260/280/300），以适配 INT8 量化。Lite0 约 4.7M 参数、4.1 亿乘加。它的复合缩放（深度、宽度、分辨率同时放大）让精度上限较高，但分辨率放大对边缘端延迟影响显著，需谨慎选择档位。
YOLO-Nano 一类超轻检测骨干（含 NanoDet、YOLOv5n、YOLOv8n 等同类思路）不是纯分类骨干，而是“轻骨干 + 轻检测头”的整体方案，参数量常在 0.3M～3M 量级，直接输出框与类别。它牺牲了分类任务的通用性，换取检测任务的端到端轻量，适合虫体计数、果实定位这类“只要框、不要细分类”的任务。
参数量与精度的权衡不是单调关系
上图给出的是示意性权衡关系，实际选型要理解三点。第一，参数量不等于计算量：MobileNetV3-Large 参数 5.4M，但深度可分离卷积让 FLOPs 只有 219M；EfficientNet-Lite0 参数 4.7M，FLOPs 却达 410M，因为它的分辨率档位更高。边缘端延迟更受 FLOPs 与内存带宽影响，参数量只决定模型文件大小和加载内存。第二，精度提升存在边际递减：从 2.5M 到 5M 参数，ImageNet Top-1 可能只提升 2～3 个百分点，但在农业细粒度任务（如病斑早晚期区分）上，这点差距可能决定误报率。第三，量化友好度差异明显：ShuffleNetV2 的通道拆分在 INT8 下需要额外处理拼接，部分推理框架对其量化支持不如 MobileNetV3 成熟，部署前必须验证。
面向农业任务的选型决策依据
选型不应只看公开榜单，而应按“任务形态 → 算力预算 → 数据特性 → 部署工具链”四步收敛。
第一步看任务形态。若任务是分类（叶片病害分级、种子品种识别），在 MobileNetV3 与 EfficientNet-Lite 间选；若是检测（虫体计数、果实定位、缺苗识别），优先考虑 YOLO-Nano 类端到端方案，避免“分类骨干 + 自建检测头”带来的额外调参成本。若任务是小目标密集检测，骨干轻量化收益有限，应优先提高输入分辨率或改用带 P2 浅层检测头的结构。
第二步看算力预算。以 RK3568（约 0.8 TOPS NPU）为例，INT8 下 MobileNetV3-Small 在 224×224 输入时单帧推理约 8～15 ms，ShuffleNetV2 1.0x 相近或略优；若目标 30 FPS 且还要留出预处理与后处理时间，应选 Small 档而非 Large 档。算力低于 0.5 TOPS 时，优先 ShuffleNetV2 0.5x 或 YOLO-Nano 类极小模型。
第三步看数据特性。农业数据常有两个特点：类别不均衡（健康叶片远多于病叶）和背景复杂（土壤、杂草、光照变化）。SE 注意力对通道可分性强的病斑任务有帮助，但若训练集样本少，SE 的额外参数易过拟合，此时 ShuffleNetV2 的简洁结构反而更稳。建议在自有验证集上做小规模对照，而非直接套用公开精度。
第四步看部署工具链。确认目标推理框架（TFLite、RKNN、TensorRT、NCNN）对候选骨干的算子支持。例如某些版本的 RKNN 对 Channel Shuffle 支持不完整，需在转换后做逐层精度比对；EfficientNet-Lite 的固定分辨率档位则便于提前锁定输入尺寸，减少动态 shape 带来的部署麻烦。
一个可复用的选型对照示例
下表为某果园巡检机器人项目的选型记录（参数为公开量级，延迟为合理假设的示例值，非实测）：
| 候选骨干 | 参数量 | 输入尺寸 | 假设 INT8 单帧延迟 | 适用判断 |
|---|---|---|---|---|
| MobileNetV3-Small | 2.5M | 224×224 | 约 12 ms | 病害分级，精度与速度均衡 |
| ShuffleNetV2 1.0x | 2.3M | 224×224 | 约 10 ms | 弱算力平台，实时性优先 |
| EfficientNet-Lite0 | 4.7M | 224×224 | 约 22 ms | 精度优先，可接受较低帧率 |
| YOLO-Nano 类 | 约 0.9M | 320×320 | 约 18 ms | 果实定位，端到端出框 |
最后提醒一个常见误区：把骨干选型当成一次性决定。农业场景的季节性、光照与作物生长阶段会改变数据分布，建议在部署后保留一个轻量的在线评估集，按周统计漏检与误报，当分布漂移明显时再回到本节的四步决策重新评估，而不是盲目换更大的模型。