3、YOLO轻量模型基础：YOLO系列演进、轻量化设计及模型结构解析
在嵌入式与边缘计算场景中部署目标检测模型，长期面临算力受限、内存带宽有限与实时性要求高的三重矛盾。YOLO（You Only Look Once）系列从诞生之初便以单阶段、端到端、高帧率著称，而近年来的轻量化子系列（如YOLOv5n、YOLOv8n、YOLO-NAS）更是将模型体积压缩至数MB级别，使其能够在STM32这类Cortex-M/A系列芯片上以可接受的帧率运行。本章将系统梳理YOLO系列的演进脉络，剖析轻量化设计的核心手段，并深入拆解三种主流轻量模型的网络结构，为后续在STM32Cube.AI中的量化、转换与部署打下坚实的模型认知基础。
上图从三个维度勾勒了本章的知识框架：左侧为YOLO系列从v1到NAS的演进路径，中间为轻量化设计的五大关键技术，右侧为模型结构解析的四个核心模块。三者共同构成了理解轻量YOLO模型在MCU上部署的完整知识体系。
3.1 YOLO系列演进：从实时检测到高效部署
3.1.1 核心原理：单阶段检测范式的确立
YOLO系列的核心思想是将目标检测视为一个端到端的回归问题。与两阶段检测器（如Faster R-CNN）先产生候选区域再分类回归不同，YOLO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、置信度及类别概率。这种设计使得模型在推理时只需一次前向传播即可输出全部检测结果，从根本上解决了实时性问题。YOLOv1（2016年）首次实现了45 FPS的检测速度，但其对密集小目标与重叠目标的检测精度有限。YOLOv2引入批归一化（Batch Normalization）、高分辨率分类器与锚框（Anchor Box）机制，将mAP提升了约15%。YOLOv3则通过特征金字塔网络（FPN）实现多尺度预测，显著增强了对小目标的感知能力，成为工业界应用最广泛的版本之一。
3.1.2 判断方法：如何选择适合MCU的YOLO版本
面对众多YOLO版本，选择适合STM32部署的模型需要从三个维度综合判断：参数量与模型体积（直接影响Flash占用）、计算量（FLOPs）（决定推理延迟）、精度（mAP）（决定检测效果）。下表对比了主流轻量YOLO模型的关键指标：
| 模型版本 | 参数量(M) | FLOPs(G) | 模型体积(MB) | mAP@0.5 (COCO) | 适用MCU等级 |
|---|---|---|---|---|---|
| YOLOv5n | 1.9 | 4.5 | 3.8 | 28.0 | Cortex-M7/M4 |
| YOLOv8n | 3.2 | 8.7 | 6.4 | 37.3 | Cortex-M7/M4 |
| YOLO-NAS-S | 4.0 | 10.5 | 8.0 | 40.2 | Cortex-A7/A5 |
| YOLOv5s | 7.2 | 16.5 | 14.4 | 37.4 | Cortex-A系列 |
从表中可以看出，YOLOv5n在参数量与计算量上最具优势，适合资源极度受限的STM32F4/H7系列；YOLOv8n在精度上提升明显，但计算量翻倍，需要更高主频的MCU或硬件加速器配合；YOLO-NAS则更适合带有NPU或较高算力的异构MCU平台。
3.1.3 案例拆解：从YOLOv5s到YOLOv5n的轻量化改造
假设一个工业视觉检测项目需要在STM32H743（主频480MHz，2MB Flash）上实现零件缺陷检测。初始方案采用YOLOv5s，模型体积14.4MB，远超Flash容量。通过以下步骤进行轻量化改造：
- 宽度缩放：将模型的宽度倍率从0.50降至0.25，即YOLOv5n的配置，通道数减少约50%。
- 深度缩放：将CSP模块的重复次数从3次减至1次，网络层数减少约40%。
- 输入分辨率调整：从640×640降至320×320，计算量降低至原来的1/4。
- 验证结果：改造后模型体积降至3.8MB，Flash占用满足要求；在测试集上mAP从37.4%降至28.0%，但针对特定零件缺陷类别（如划痕、裂纹）的召回率仍保持在85%以上，满足产线需求。
此案例说明，轻量化改造并非简单的模型缩小，而是需要结合具体应用场景的精度-速度-资源权衡。
3.2 轻量化设计：五大核心技术详解
3.2.1 深度可分离卷积：计算量的革命性压缩
标准卷积的计算量为：FLOPs = H×W×K×K×C_in×C_out，其中K为卷积核尺寸。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使用一个K×K卷积核，计算量为H×W×K×K×C_in；逐点卷积（Pointwise Convolution）使用1×1卷积核进行通道间的线性组合，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。以3×3卷积为例，计算量可降低至原来的1/8至1/9。YOLOv5n的Backbone中大量使用了CSP结构，其中包含的Bottleneck模块即采用了深度可分离卷积的变体。
3.2.2 通道剪枝与网络缩放：灵活的资源适配
YOLOv5/v8系列通过两个超参数控制模型规模：宽度倍率（width multiplier）控制每层通道数，深度倍率（depth multiplier）控制模块重复次数。YOLOv5n即采用宽度倍率0.25、深度倍率0.33的配置。这种缩放策略的优势在于：无需重新设计网络结构，仅通过修改两个参数即可生成不同规模的模型，极大地方便了针对不同硬件平台的适配。但需要注意的是，简单的通道缩放并非最优的轻量化方案，因为不同层对模型精度的贡献不同，均匀缩放会造成精度损失。
3.2.3 CSP与C2f结构：梯度流优化
跨阶段局部网络（Cross Stage Partial Network, CSP）将特征图沿通道维度分为两部分，一部分经过密集的卷积块处理，另一部分直接与处理后的特征图拼接。这种设计减少了重复梯度信息，降低了计算量，同时保持了特征复用能力。YOLOv8n进一步将其演进为C2f（Cross Stage Partial with 2 convolutions and feature fusion）结构，在保持轻量化的同时增强了梯度流动，使得模型在相同参数量下精度更高。C2f结构通过多个分支的并行卷积与拼接操作，实现了更丰富的特征表达。
3.2.4 量化感知训练：为INT8部署铺路
STM32Cube.AI支持将训练好的浮点模型量化为INT8格式，但直接后训练量化（PTQ）往往导致精度显著下降。量化感知训练（QAT）在训练过程中模拟量化误差，通过在网络中插入伪量化节点（Fake Quantize），使模型权重与激活值适应低比特表示。YOLO-NAS在训练阶段即引入了QAT策略，其模型在INT8量化后mAP损失可控制在1%以内，而YOLOv5n在PTQ下通常损失3-5%。对于STM32部署，建议优先选择经过QAT训练的模型，或在部署前使用少量校准数据集进行量化微调。
3.2.5 轻量激活函数与归一化
激活函数的选择对MCU部署影响显著。ReLU计算简单但存在神经元死亡问题；SiLU（Swish）精度更高但涉及sigmoid运算，在MCU上需要查表或近似计算。YOLOv5n使用SiLU，YOLOv8n在Backbone中使用SiLU但在Head中使用ReLU，YOLO-NAS则采用HardSwish（ReLU6的变体）以降低计算复杂度。此外，批归一化（BN）在推理阶段可以折叠到卷积层中，减少额外的内存访问与计算，这是部署时的重要优化步骤。
y = (x - μ) / √(σ² + ε) × γ + β，其中μ、σ²为训练时统计的均值与方差，γ、β为可学习参数。
3.3 模型结构解析：Backbone、Neck与Head
3.3.1 Backbone：特征提取的基石
YOLOv5n的Backbone采用Focus模块（将输入图像切片后拼接，减少计算量）与CSPDarknet53的轻量变体。YOLOv8n则使用C2f模块替代CSP，并移除了Focus模块，直接使用6×6卷积进行下采样。YOLO-NAS的Backbone由神经架构搜索（NAS）自动生成，包含多个量化友好的Block，其设计目标是在INT8精度下保持高mAP。下表对比了三种模型的Backbone核心组件：
| 模型 | 输入层 | 基础模块 | 下采样方式 | 输出特征图尺寸 |
|---|---|---|---|---|
| YOLOv5n | Focus (3→12通道) | CSP-Bottleneck | Conv 3×3 s2 | 80×80, 40×40, 20×20 |
| YOLOv8n | Conv 3×3 s2 | C2f | Conv 3×3 s2 | 80×80, 40×40, 20×20 |
| YOLO-NAS | Conv 3×3 s2 | NAS-Block | Conv 3×3 s2 | 80×80, 40×40, 20×20 |
3.3.2 Neck：多尺度特征融合
Neck部分负责将Backbone提取的不同尺度特征进行融合，以提升对不同大小目标的检测能力。YOLOv5n使用PANet（Path Aggregation Network），在FPN自顶向下的路径基础上增加了一条自底向上的路径，增强了底层定位信息向高层语义信息的传递。YOLOv8n沿用PANet但将CSP模块替换为C2f，融合效率更高。YOLO-NAS的Neck采用了一种称为QARepVGG的结构，通过重参数化技术将多分支结构在推理时合并为单分支，显著减少了推理时的计算量。
3.3.3 Head：从特征到检测结果
YOLOv5n的Head为耦合头（Coupled Head），即分类与回归共享同一组卷积层，输出张量形状为[B, 3×(5+C), H, W]，其中3表示每个网格预测3个锚框，5表示边界框坐标（x,y,w,h）与置信度，C为类别数。YOLOv8n采用解耦头（Decoupled Head），将分类与回归分支分离，分别使用独立的卷积层，输出张量形状为[B, C, H, W]（分类）与[B, 4, H, W]（回归），且采用Anchor-Free策略，不再依赖预设锚框。YOLO-NAS的Head同样为解耦设计，但引入了更多量化友好的激活函数与归一化层。
3.3.4 输出张量与后处理
以YOLOv8n为例，输入320×320×3的图像，经过Backbone与Neck后，Head输出三个尺度的特征图：80×80、40×40、20×20。每个特征图上的每个位置预测4个边界框偏移量（相对于网格中心）与C个类别概率。后处理阶段需要：解码（将偏移量转换为实际坐标）、置信度过滤（剔除低置信度预测）、NMS（非极大值抑制去除重叠框）。在STM32上，NMS通常需要手动实现，且需注意浮点运算与排序算法的效率。
3.4 案例闭环：YOLOv8n在STM32H7上的部署评估
某智能安防项目需要在STM32H750（Cortex-M7, 480MHz, 1MB RAM）上实现人员检测，要求帧率≥5 FPS，检测精度mAP≥35%。初步评估YOLOv8n（输入320×320）的浮点模型：参数量3.2M，FLOPs 8.7G，在PC上推理延迟约15ms。直接部署到STM32显然不可行，因此进行了以下优化流程：
- 模型量化：使用STM32Cube.AI的量化工具将模型转换为INT8格式，模型体积从6.4MB降至1.6MB，Flash占用满足要求。
- 算子优化：Cube.AI自动将卷积层映射为CMSIS-DSP的矩阵乘法函数，并利用SIMD指令加速。
- 内存规划：通过分析中间特征图大小，将激活值缓冲区控制在512KB以内，避免使用外部SDRAM。
- 实测结果：INT8模型在STM32H750上推理延迟为180ms（约5.5 FPS），mAP从37.3%降至34.8%，满足项目指标。
复盘此案例，关键成功因素包括：选择Anchor-Free的YOLOv8n简化了后处理逻辑；INT8量化在精度损失仅2.5%的情况下换来了4倍的速度提升；Cube.AI的自动优化减少了手动调优工作量。风险点在于：若输入分辨率提升至640×640，推理延迟将增至720ms，需考虑使用外部Flash存储权重或降低帧率要求。