3、人像检测技术概览：目标检测基础、人像检测常用模型（如MobileNet SSD、YOLO Tiny）及适用场景

在TinyML工程实践中，人像检测并非简单地在嵌入式设备上运行一个“识别人的神经网络”，而是涉及目标检测任务定义、模型结构选型、算力与精度权衡、部署约束匹配等一系列系统工程问题。本章从目标检测的基本范式出发，梳理人像检测在边缘设备上的技术脉络，重点剖析MobileNet SSD与YOLO Tiny两类轻量化模型的原理差异、性能边界与适用场景，并结合实际工程案例给出选型与改造建议。

3.1 目标检测基础：从分类到定位的范式演进

图像分类解决的是“这张图里有什么”的问题，而目标检测需要回答“图中哪里有目标、目标是什么、目标有多大”。人像检测作为目标检测的一个垂直子类，其核心任务是在图像中定位所有人形目标，并输出包含类别标签、边界框坐标和置信度分数的结构化结果。在TinyML场景下，目标检测通常被压缩为单阶段（One-Stage）检测器，以牺牲少量精度换取推理速度和内存占用的显著下降。

目标检测的技术演进经历了从传统手工特征到深度学习的跨越。传统方法如HOG（方向梯度直方图）+ SVM在早期嵌入式视觉中占据主导，但其对遮挡、姿态变化和光照变化的鲁棒性较差。深度学习时代，两阶段检测器（如Faster R-CNN）通过区域提议网络（RPN）生成候选区域，再逐区域进行分类和回归，精度高但计算量巨大，不适合微控制器。单阶段检测器（如SSD、YOLO）直接在特征图上进行密集采样和预测，将检测问题转化为端到端的回归任务，成为TinyML人像检测的主流选择。

在嵌入式部署中，目标检测的数学本质可以简化为：给定输入图像 \( I \in \mathbb{R}^{H \times W \times C} \)，通过特征提取网络 \( F \) 得到特征图 \( F(I) \)，再通过检测头 \( D \) 输出一组预测 \( \{ (c_i, b_i, s_i) \} \)，其中 \( c_i \) 为类别、\( b_i \) 为边界框坐标、\( s_i \) 为置信度。整个推理过程必须满足微控制器的内存和算力约束，因此模型压缩、量化感知训练和算子优化成为工程落地的关键环节。

3.2 MobileNet SSD：多尺度特征融合的轻量检测方案

MobileNet SSD将MobileNetV2或MobileNetV3作为骨干网络，配合SSD（Single Shot MultiBox Detector）检测头，形成一套完整的轻量级目标检测框架。其核心设计思想是：利用MobileNet的深度可分离卷积大幅降低计算量，同时通过SSD的多尺度特征图预测机制，在不同分辨率的特征图上设置不同尺寸和长宽比的默认框（Default Boxes），从而兼顾小目标和大目标的检测能力。

在TinyML部署中，MobileNet SSD通常需要经过以下改造步骤：首先，将输入分辨率从原始的300×300或320×320压缩至192×192或160×160，以减少计算量；其次，对模型进行8位或16位量化，将权重和激活值从浮点数转换为定点数；最后，裁剪冗余的检测头层，仅保留适合目标尺寸范围的特征图预测层。经过这些优化后，MobileNet SSD在Cortex-M7或Cortex-M33内核的MCU上可实现80-200ms的推理延迟，内存占用控制在200-400KB之间。

MobileNet SSD的适用场景偏向于需要检测多个目标、目标尺寸变化较大的应用，例如智能门禁中同时检测多人、安防摄像头中的人流统计、以及机器人视觉中的人体跟随。其优势在于多尺度特征融合带来的检测鲁棒性，但代价是模型结构相对复杂，部署时需要更多的调参工作。

3.3 YOLO Tiny：极致轻量的单阶段检测器

YOLO Tiny是YOLO系列针对边缘设备推出的轻量版本，其设计哲学是“以最少的计算量完成最基本的检测任务”。YOLO Tiny将输入图像划分为S×S的网格，每个网格负责预测固定数量的边界框和类别概率。这种设计避免了SSD中复杂的锚框匹配和多层特征图融合，使得模型结构更加简洁，推理路径更短。

在TinyML场景下，YOLO Tiny通常采用YOLOv3-Tiny或YOLOv5-Tiny的变体。以YOLOv5-Tiny为例，其骨干网络仅包含3个CSP模块和2个SPP模块，检测头只有两个尺度（16×16和32×32），参数量约为1.1M。经过4-bit或8-bit量化后，模型大小可压缩至100-200KB，在低功耗MCU上推理延迟可低至50-120ms。YOLO Tiny特别适合目标稀疏、实时性要求极高的场景，例如智能门锁中的人脸触发检测、可穿戴设备中的人体活动识别、以及无人机视觉中的单目标跟踪。

然而，YOLO Tiny的精度上限受限于其简化的网络结构。在密集人群或小目标场景下，其检测性能明显下降，容易出现漏检和误检。因此，在实际工程中需要根据目标密度和精度要求进行权衡。如果场景中同时出现的人像数量不超过3-5个，且目标尺寸相对较大，YOLO Tiny是更优的选择；反之，则应考虑MobileNet SSD或更复杂的模型。

3.4 模型对比与选型决策框架

在TinyML人像检测项目中，模型选型不是简单的“哪个精度高选哪个”，而是需要综合考虑硬件算力、内存预算、实时性要求、目标密度、部署工具链成熟度等多维因素。以下对比表从工程实践角度给出了关键维度的量化参考。

选型决策应遵循以下流程：第一步，明确硬件资源边界，包括Flash容量、RAM大小、CPU主频和是否有硬件加速器（如CMSIS-NN、Ethos-U55）；第二步，评估场景需求，包括目标密度、目标尺寸范围、帧率要求和精度底线；第三步，在目标硬件上进行基准测试，使用真实场景数据验证模型性能；第四步，根据测试结果进行模型裁剪、量化或结构微调，迭代优化。

3.5 案例拆解：智能门禁中的人像检测模型选型

某智能门禁项目需要在低功耗MCU（STM32L4系列，Cortex-M4 @ 80MHz，Flash 512KB，RAM 128KB）上实现人像检测功能，用于触发后续的人脸识别流程。初始需求为：检测距离3-5米内的人体，目标尺寸在图像中占比约15%-30%，帧率不低于5FPS，检测精度要求漏检率低于5%。

项目初期团队直接选用了MobileNet SSD模型，输入尺寸192×192，8-bit量化后模型大小约350KB，RAM占用约320KB。在目标硬件上测试发现，推理延迟高达680ms，远超5FPS的帧率要求，且RAM占用接近MCU上限，导致系统无法稳定运行。进一步分析发现，MobileNet SSD的多尺度特征图计算在Cortex-M4上缺乏硬件加速，深度可分离卷积的算子效率仅为理论峰值的30%。

针对上述问题，团队进行了以下优化：首先，将输入尺寸从192×192降至160×160，推理延迟降至520ms；其次，裁剪SSD检测头中针对小目标的特征层（对应原图8×8网格），仅保留16×16和32×32两个尺度，模型大小降至280KB，延迟降至430ms；最后，引入YOLO Tiny作为备选方案，其模型大小仅150KB，RAM占用180KB，推理延迟为280ms，满足5FPS要求。但YOLO Tiny在实测中漏检率达到7.2%，略高于5%的底线。

最终方案采用了混合策略：以YOLO Tiny作为主检测器，在检测到人像后，将图像裁剪并放大至人脸区域，再调用一个极轻量的人脸验证模型进行二次确认。这种“粗检测+精验证”的级联架构将整体漏检率降至3.8%，同时保持了4.8FPS的帧率。项目复盘表明，单一模型难以同时满足精度和速度要求时，级联架构是TinyML场景下的有效工程手段。

3.6 常见误区与工程复盘

在TinyML人像检测的工程实践中，以下误区值得特别注意。第一个误区是“精度至上”，忽视硬件约束。很多团队在PC上训练出高精度模型，但部署到MCU后精度骤降，原因在于量化损失和输入分辨率降低。解决方法是采用量化感知训练，并在训练阶段就模拟部署时的输入尺寸和数据分布。

第二个误区是“模型越小越好”。虽然YOLO Tiny在资源占用上有优势，但其检测能力有限，在复杂场景下可能频繁漏检，导致系统整体可靠性下降。正确的做法是根据场景复杂度选择“够用”的模型，而不是一味追求最小化。第三个误区是忽视数据分布差异。在公开数据集上训练的模型，直接部署到实际场景中往往效果不佳，因为光照、视角、背景等环境因素差异巨大。建议在部署前采集目标场景的少量数据，进行迁移学习或微调。

第四个误区是忽略推理延迟的波动性。MCU上的推理延迟并非恒定值，受温度、电压、内存碎片等因素影响，实际延迟可能比基准测试高20%-30%。在系统设计时，应预留足够的性能余量，避免在极端情况下出现帧率骤降。最后，建议建立完整的性能监控机制，在设备端记录推理延迟、内存峰值和检测置信度分布，为后续优化提供数据支撑。

总结而言，人像检测在TinyML领域的落地需要从算法、硬件、数据和系统架构四个维度协同推进。MobileNet SSD与YOLO Tiny各有优劣，没有的“最好”模型，只有最适合特定场景的工程方案。理解目标检测的基本原理，掌握轻量化模型的特性边界，并通过系统化的测试与调优，才能在资源受限的嵌入式设备上实现可靠的人像检测功能。