3、图像分类基础：图像分类任务定义、常见模型（ResNet、MobileNet、EfficientNet）原理与特点

图像分类是计算机视觉中最基础且应用最广泛的任务之一，其目标是将输入的图像自动判别为预定义类别中的某一类。在V853视觉模型部署的课程中，理解图像分类的基本原理与主流网络结构，是后续进行模型转换、量化以及端侧推理优化的前提。本章将系统梳理图像分类的任务定义、评价指标，并深入剖析ResNet、MobileNet、EfficientNet三类经典模型的原理与特点，为在V853平台上选择合适的端侧模型打下坚实的理论基础。

上图展示了图像分类任务的基本流程与三类主流模型的核心特点。在V853这类算力有限的端侧设备上，模型的选择直接决定了推理速度与精度能否达到业务要求。下面我们将从任务定义出发，逐步深入各模型的原理与适用场景。

3.1 图像分类任务定义与评价指标

核心原理：图像分类（Image Classification）是指给定一张输入图像，模型通过特征提取与逻辑判断，输出该图像属于预定义类别集合中每一类的概率分布。形式化地，假设有C个类别，输入图像x，模型f(x)输出一个C维向量，其中第i维表示x属于第i类的概率。最终预测类别为概率最大的那一类。在深度学习时代，这一过程通常由卷积神经网络（CNN）完成：骨干网络负责提取层次化的视觉特征，全连接层或全局池化层将特征映射为类别得分，Softmax函数将得分转换为概率。

评价指标：在分类任务中，最常用的指标包括Top-1准确率与Top-5准确率。Top-1准确率衡量模型预测概率最高的类别是否与真实标签一致；Top-5准确率则允许模型预测的前5个类别中包含真实标签即视为正确。对于端侧部署，除了准确率外，还需关注模型参数量（Params）、计算量（FLOPs）以及实际推理延迟（Latency）。在V853平台上，NPU算力有限，通常需要权衡精度与速度。

3.2 ResNet：残差学习的里程碑

核心原理：ResNet（Residual Network）由何恺明等人于2015年提出，其核心创新在于引入了残差连接（Skip Connection）。在传统深层网络中，随着层数增加，梯度消失/爆炸问题导致训练困难，甚至出现退化现象（训练集准确率下降）。ResNet通过让网络学习残差映射F(x) = H(x) - x，而非直接学习原始映射H(x)，使得网络在恒等映射附近更容易优化。残差块结构可表示为：y = F(x, {W_i}) + x，其中F为卷积层序列，x为输入，y为输出。

网络结构特点：ResNet系列常见变体包括ResNet-18、ResNet-34、ResNet-50、ResNet-101等。其中ResNet-18/34使用BasicBlock（两个3x3卷积），ResNet-50及以上使用Bottleneck（1x1 + 3x3 + 1x1卷积），后者通过降维-卷积-升维的方式减少计算量。ResNet-50在ImageNet上Top-1准确率约76%，参数量25.5M，计算量4.1GFLOPs。

在V853上的适用性分析：ResNet-18参数量约11.7M，计算量约1.8GFLOPs，在V853的NPU上经过INT8量化后，推理延迟约30-50ms（取决于NPU频率与内存带宽）。ResNet-50则显得过重，不适合实时场景。若项目对精度要求较高且对延迟不敏感，可考虑ResNet-18；否则建议选择更轻量的网络。

3.3 MobileNet：轻量化网络的代表

核心原理：MobileNet系列专为移动端和嵌入式设备设计，其核心是深度可分离卷积（Depthwise Separable Convolution）。标准卷积的计算量为H×W×C_in×C_out×K×K，而深度可分离卷积将其分解为两个步骤：深度卷积（Depthwise Convolution）对每个输入通道独立进行3x3卷积，计算量为H×W×C_in×K×K；逐点卷积（Pointwise Convolution）使用1x1卷积融合通道信息，计算量为H×W×C_in×C_out。总计算量约为标准卷积的1/C_out + 1/K²，通常可减少8-9倍计算量。

MobileNetV2的改进：MobileNetV2引入了线性瓶颈（Linear Bottleneck）和倒残差结构（Inverted Residual）。与ResNet的沙漏型残差块不同，倒残差先通过1x1卷积升维（扩展因子通常为6），再进行深度卷积，最后用1x1卷积降维，且在降维后不使用ReLU激活（线性激活），以避免低维空间信息丢失。MobileNetV2标准版参数量约3.4M，计算量约0.3GFLOPs，ImageNet Top-1约72%。

超参数调节：MobileNet提供两个超参数：宽度乘数α（控制通道数）和分辨率乘数ρ（控制输入尺寸）。例如MobileNetV2-0.5表示通道数减半，计算量降至约0.075GFLOPs，适合V853这类低算力设备。

3.4 EfficientNet：神经架构搜索的产物

核心原理：EfficientNet由Google团队提出，核心思想是复合缩放（Compound Scaling）。传统方法通常只缩放网络的一个维度（深度、宽度或分辨率），而EfficientNet通过神经架构搜索（NAS）得到基准网络EfficientNet-B0，然后使用复合系数φ统一缩放三个维度：深度d = α^φ，宽度w = β^φ，分辨率r = γ^φ，其中α·β²·γ² ≈ 2，且α、β、γ为常数。这种缩放方式在增加计算量的同时，能更均衡地提升模型容量。

网络结构特点：EfficientNet-B0的骨干网络由多个MBConv模块（类似MobileNetV2的倒残差结构）组成，并引入了SE（Squeeze-and-Excitation）注意力模块，以较小的计算开销提升特征表达能力。B0版本参数量约5.3M，计算量约0.39GFLOPs，ImageNet Top-1约77.1%，精度优于ResNet-50，但参数量和计算量仅为后者的约1/5和1/10。

在V853上的部署考量：EfficientNet-B0的INT8量化后模型大小约2.1MB，推理延迟约25-40ms，精度与速度的平衡优于ResNet-18。但需注意，SE模块中的全局平均池化和全连接操作在NPU上可能无法完全加速，导致实际延迟高于理论值。若V853的NPU工具链对SE支持不友好，可考虑裁剪SE模块或选择EfficientNet-Lite版本（去除了SE的变体）。

3.5 模型选型决策流程与常见误区

选型决策流程：在V853平台上选择图像分类模型时，建议遵循以下步骤：

1. 明确业务约束：确定目标延迟（如≤30ms）、内存上限（如≤10MB）、精度底线（如Top-1≥90%）。
2. 候选模型初筛：根据约束条件，从上述三类模型中选择2-3个候选。例如延迟敏感选MobileNetV2，精度敏感选EfficientNet-B0。
3. NPU工具链评估：使用V853的模型转换工具将候选模型转换为NPU可执行的格式，并运行benchmark获取实际延迟与内存占用。
4. 量化精度验证：使用验证集评估INT8量化后的精度损失。若损失超过2%，考虑使用量化感知训练（QAT）或选择更大模型。
5. 实机测试：在V853开发板上运行完整推理流程，包括图像预处理、NPU推理、后处理，确认端到端延迟满足要求。