3、检测模型选型：YOLO系列、SSD、RetinaNet等模型在安防场景的适用性、精度与算力权衡
安防摄像头NPU加速的核心矛盾，在于实时性、精度与算力成本三者之间的动态平衡。检测模型作为感知链路的第一环，其选型直接决定了后续跟踪、行为分析、告警等模块的上限。在安防场景中，我们面对的不是单一静态图片，而是7×24小时不间断的视频流，且往往需要多路并发处理。这意味着模型不仅要“准”，还要“快”，更要“省”——省内存带宽、省NPU算力、省功耗。本章将围绕YOLO系列、SSD、RetinaNet三类主流检测模型，从安防场景的独特视角出发，深入剖析其适用性、精度表现与算力消耗的权衡逻辑，并给出可落地的选型决策框架。
3.1 安防场景对检测模型的特殊需求
安防摄像头与通用目标检测任务存在显著差异。首先，监控视角固定，背景相对静止，但目标尺度变化剧烈——远处的人可能只有十几个像素，近处的车辆则占据大半画面。其次，光照条件不可控，夜间红外、逆光、阴影等场景对模型的鲁棒性提出更高要求。第三，误报代价高，一次虚警可能触发不必要的巡逻或告警，因此模型需要具备较低的假阳性率。最后，多路并发是常态，一台边缘盒子或智能NVR往往需要同时处理8路、16路甚至32路1080P视频流，这对模型的算力效率提出了苛刻要求。
从工程角度看，安防检测模型选型需要关注以下量化指标：mAP（平均精度均值）、小目标召回率（AR@small）、单帧推理延迟（ms）、算力消耗（GMACs）以及内存带宽占用。其中，GMACs直接决定了NPU的算力占用率，而内存带宽则影响多路并发时的DDR瓶颈。一个常见的误区是只关注mAP而忽略延迟，导致选出的模型在单路测试时表现优异，一旦接入16路视频流就出现帧率骤降、丢帧严重的问题。
3.2 YOLO系列：安防部署的主力军
3.2.1 核心原理与版本演进
YOLO（You Only Look Once）系列将目标检测视为回归问题，通过单次前向传播同时预测边界框和类别概率。其核心优势在于端到端单阶段设计，无需区域提议网络（RPN），因此在推理速度上天然优于两阶段模型。从YOLOv5开始，该系列在工程化部署上取得了巨大成功，后续的YOLOv6、YOLOv7、YOLOv8以及最新的YOLOv10，在保持高速度的同时不断优化精度。
在安防场景中，YOLOv8是目前最均衡的选择。它提供了从nano到x的多种规格，其中YOLOv8n（nano）的GMACs仅约8.7，在多数中端NPU上可实现单路1080P实时推理；而YOLOv8s的GMACs约28.6，精度提升明显，适合对检测距离要求较高的场景。YOLOv10进一步引入了无NMS（非极大值抑制）的设计，减少了后处理延迟，对NPU部署更加友好。
3.2.2 安防适用性分析
| 模型版本 | 输入分辨率 | GMACs | mAP@0.5 (COCO) | 安防适用场景 |
|---|---|---|---|---|
| YOLOv8n | 640×640 | 8.7 | 37.3 | 周界防护、大目标检测、低算力设备 |
| YOLOv8s | 640×640 | 28.6 | 44.9 | 室内监控、中等距离目标、8路并发 |
| YOLOv8m | 640×640 | 78.9 | 50.2 | 园区/道路监控、小目标要求高、4路并发 |
| YOLOv10n | 640×640 | 8.4 | 38.5 | 同YOLOv8n，但后处理更简单 |
从上表可以看出，YOLO系列的选型核心在于根据目标尺寸和算力预算选择模型规格。对于安防场景，建议优先考虑nano和small版本，因为它们在多路并发下的算力占用更可控。如果项目对检测距离有硬性要求（如50米外的人体检测），则需要升级到medium或large版本，但此时必须评估NPU的算力上限。
3.3 SSD：轻量级部署的稳健选择
3.3.1 核心原理与结构特点
SSD（Single Shot MultiBox Detector）是较早提出的单阶段检测模型，其核心思想是在不同尺度的特征图上进行密集采样，生成多尺度默认框（default boxes），并直接预测框偏移和类别置信度。SSD的骨干网络通常采用VGG或MobileNet，其中SSD-MobileNetV2是安防低算力设备上的经典组合。
SSD的优势在于结构简单、部署成熟，几乎所有NPU工具链都对其有良好支持。但其劣势也很明显：对小目标的检测能力弱于YOLO系列，因为其浅层特征图的语义信息不足。在安防场景中，如果摄像头安装高度较高（如6米以上），地面目标普遍偏小，SSD的召回率会明显下降。
3.3.2 算力与精度权衡
以SSD-MobileNetV2（输入300×300）为例，其GMACs约0.98，仅为YOLOv8n的1/9左右。这意味着在相同NPU算力下，SSD可以支撑更多路并发。但代价是精度损失：在COCO数据集上mAP仅约22.1，在安防自定义数据集上通常需要大量调优才能达到可用水平。
SSD更适合以下安防场景：（1）老旧设备升级——原有摄像头清晰度不高，目标本身较大；（2）极低功耗约束——太阳能供电的野外监控点；（3）简单场景——如室内固定区域的入侵检测，目标类别少且尺度变化不大。
3.4 RetinaNet：高精度场景的备选方案
3.4.1 Focal Loss与类别不平衡
RetinaNet是Facebook AI Research在2017年提出的单阶段检测模型，其核心创新是Focal Loss（焦点损失），用于解决一阶段检测器中前景与背景类别极度不平衡的问题。通过调整损失函数中难易样本的权重，RetinaNet在保持单阶段速度的同时，精度首次超越了当时的Faster R-CNN。
在安防场景中，RetinaNet的适用性主要体现在对稀疏小目标的检测上。例如，在空旷的停车场或野外区域，画面中大部分是背景，只有极少数目标，此时Focal Loss能有效抑制背景梯度，提升小目标的召回率。然而，RetinaNet的算力消耗较高——ResNet-50骨干的RetinaNet在600×600输入下GMACs约131，是YOLOv8s的4.6倍，这使得它在边缘NPU上的部署面临较大挑战。
3.4.2 部署代价与替代方案
在实际安防项目中，RetinaNet通常用于离线分析或云端处理，而非边缘实时推理。如果必须在边缘设备上使用RetinaNet，建议采用以下优化策略：（1）降低输入分辨率至416×416，可减少约50%的算力消耗；（2）使用TensorRT或NPU工具链进行INT8量化，进一步压缩模型体积；（3）裁剪骨干网络，如用MobileNetV3替换ResNet-50，但会牺牲部分精度。
背景与约束：某科技园区需要部署16路1080P摄像头进行周界入侵检测，目标为行人（距离10-50米），要求误报率低于1次/小时，单台边缘服务器（算力约30 TOPS）承载全部路数。
初始方案：直接选用YOLOv8m，单路延迟约18ms，16路总算力需求约28 TOPS，接近算力上限，且夜间红外场景下小目标漏检较多。
分析过程：通过分析视频帧发现，目标最小尺寸约20×40像素，属于小目标范畴。YOLOv8m在640×640输入下对小目标的AP@small约0.32，而YOLOv8s在相同输入下AP@small约0.25。但YOLOv8s的GMACs仅为28.6，16路总需求约14 TOPS，留有充足余量。
实际操作：改用YOLOv8s，并采用多尺度训练（在训练时随机缩放输入尺寸）和数据增强（Mosaic+MixUp），将小目标AP@small提升至0.31。同时，在NPU部署时开启INT8量化，单路延迟降至9ms。
结果对比：最终16路并发总延迟稳定在12ms/帧，误报率降至0.3次/小时，满足项目要求。相比初始方案，算力占用降低50%，且精度几乎无损。
复盘经验：选型时不要只看mAP，要关注小目标AP和多路并发下的延迟抖动。YOLOv8s配合数据增强，在安防小目标场景下可以达到接近YOLOv8m的精度，但算力消耗大幅降低。
3.5 模型选型的综合决策矩阵
为了帮助工程师在项目中快速做出决策，下表总结了三种模型在安防场景下的关键对比维度。需要注意的是，这些数据基于典型配置，实际项目中需根据NPU型号、量化策略和输入分辨率进行调整。
| 对比维度 | YOLOv8s | SSD-MobileNetV2 | RetinaNet-ResNet50 |
|---|---|---|---|
| 输入分辨率 | 640×640 | 300×300 | 600×600 |
| GMACs | 28.6 | 0.98 | 131 |
| mAP@0.5 (COCO) | 44.9 | 22.1 | 39.1 |
| 小目标召回率 | 中 | 低 | 高 |
| 单路延迟（中端NPU） | 12ms | 3ms | 45ms |
| 16路并发可行性 | 可行（需INT8） | 轻松支持 | 不可行 |
| 部署复杂度 | 低 | 极低 | 中 |
| 典型安防场景 | 通用监控、周界、道路 | 低功耗、简单场景 | 离线分析、高精度需求 |
3.6 常见误区与选型复盘
在安防项目实践中，模型选型存在几个高频误区，值得特别警惕：
- 误区一：盲目追求高mAP。mAP是整体指标，但安防更关注特定类别（如行人、车辆）的召回率和误报率。一个在COCO上mAP很高的模型，可能在行人检测上不如专门微调的轻量模型。
- 误区二：忽略输入分辨率的影响。将训练时的640×640输入直接用于部署，但实际摄像头画面是1920×1080，需要裁剪或缩放。如果直接缩放，小目标会进一步缩小，导致漏检。建议在部署时采用letterbox预处理并保持宽高比。
- 误区三：不进行量化感知训练。直接对FP32模型做INT8量化，往往导致精度下降2-5%。正确的做法是在训练阶段加入量化感知训练（QAT），或在量化后使用少量校准数据进行微调。
- 误区四：只测单路延迟，不测多路并发。NPU在多路并发时存在资源争抢，实际延迟可能比单路测试高30%以上。选型时必须进行多路压力测试，观察延迟的P99值而非平均值。
第一步：明确业务需求——检测目标类别、最小目标尺寸、最大可接受延迟、误报率要求。
第二步：评估硬件算力——查阅NPU的TOPS指标，并预留30%的算力余量用于图像预处理、后处理和系统开销。
第三步：初选模型家族——优先考虑YOLOv8系列，根据目标尺寸选择nano/s/m规格；若算力极度受限，退而求其次选择SSD-MobileNet；若精度要求极高且允许离线处理，考虑RetinaNet。
第四步：进行量化与部署验证——使用NPU工具链完成INT8量化，在真实视频流上测试多路并发延迟和精度。
第五步：迭代调优——通过数据增强、多尺度训练、自定义anchor（如适用）等手段，在保持算力不变的前提下提升精度。
最终，模型选型没有的“最好”，只有“最合适”。在安防场景中，YOLOv8系列凭借其精度与算力的均衡性，已成为当前边缘部署的主流选择；SSD在极低算力场景仍有其价值；RetinaNet则更适合对精度有极致要求且算力充裕的云端或离线场景。理解这三类模型的内在权衡，结合具体的硬件平台和业务需求，才能做出真正可落地的选型决策。