3、人体检测模型基础：常见模型（如MobileNet SSD、YOLO轻量版）、输入尺寸、精度与速度权衡
在Ethos-U系列NPU（神经网络处理单元）上部署人体检测应用时，模型选型是整个摄像头输入管线优化的起点。模型不仅决定了检测的准确率上限，更直接约束了输入分辨率、帧率、内存带宽和功耗预算。本章将围绕常见轻量级人体检测模型的结构特点、输入尺寸选择方法以及精度与速度的权衡策略展开，帮助你在实际嵌入式项目中建立科学的模型评估与选型框架。
3.1 常见轻量级人体检测模型核心原理
人体检测本质上是在图像中定位所有人的边界框。在嵌入式场景中，模型设计需要同时考虑骨干网络的特征提取能力、检测头的解码效率以及NPU的算子支持程度。目前主流方案集中在两类：以MobileNet SSD为代表的单阶段检测器，以及以YOLO轻量版（如YOLOv5n、YOLOv8n）为代表的回归式检测器。
MobileNet SSD 采用深度可分离卷积（Depthwise Separable Convolution）作为骨干，将标准卷积分解为逐通道卷积和逐点卷积，计算量降低至原来的1/8~1/9。SSD（Single Shot MultiBox Detector）检测头在多个特征层上预设不同尺度的锚框，直接回归类别和边界框偏移。这种结构在Ethos-U上非常友好，因为深度可分离卷积的算子映射效率高，且不需要复杂的后处理。
YOLO轻量版 则将检测视为端到端的回归问题，通过将图像划分为网格，每个网格预测多个边界框和置信度。YOLOv5n/YOLOv8n通过控制网络宽度和深度因子，将参数量压缩到3~4M左右。其CSPDarknet骨干结构在特征复用方面表现优异，但需要额外的NMS（非极大值抑制）后处理，这在NPU上需要CPU配合完成。
3.2 输入尺寸选择：分辨率与感受野的平衡
输入尺寸直接决定了模型的计算量（MACs）和内存带宽需求。以Ethos-U55为例，其MACs吞吐量通常在0.5~4 TOPS之间，而实际有效算力受限于内存带宽。输入分辨率每增加一倍，计算量约增加4倍，但检测精度并非线性提升。
| 输入尺寸 | MACs（MobileNetV2-SSD） | 内存带宽（估） | 适用场景 |
|---|---|---|---|
| 192×192 | ~0.8G | ~1.2GB/s | 低功耗门禁、电池设备 |
| 256×256 | ~1.4G | ~2.1GB/s | 室内监控、智能家居 |
| 320×320 | ~2.2G | ~3.3GB/s | 机器人导航、中距离检测 |
| 416×416 | ~3.8G | ~5.6GB/s | 高精度需求、近距离场景 |
选择输入尺寸时，需要结合摄像头的视场角（FOV）和安装高度。例如，安装在2.5米高度的摄像头，若需要检测3~6米范围内的人体，256×256输入即可满足；若检测距离扩展到10米，则需要320×320以上。同时，输入尺寸必须与模型预训练时的尺寸一致或接近，否则需要重新训练或微调，否则精度会显著下降。
3.3 精度与速度权衡：量化与剪枝策略
在Ethos-U上部署时，INT8量化是标配。量化过程将FP32权重映射到INT8范围，模型体积缩小4倍，推理速度提升2~3倍。但量化会引入精度损失，尤其对检测框回归任务敏感。建议采用量化感知训练（QAT）而非训练后量化（PTQ），前者在训练过程中模拟量化误差，通常能将mAP损失控制在1%以内。
# 伪代码示例：QAT配置要点
model = load_model('mobilenet_ssd_v2')
model.qat_config = QATConfig(
quant_dtype='int8',
per_channel=True, # 逐通道量化，精度更高
symmetric=True, # 对称量化，硬件友好
calibration_method='entropy' # 熵校准，适合检测任务
)
model.freeze_bn() # 冻结BN层，避免量化抖动
剪枝策略方面，结构化剪枝（如通道剪枝）比非结构化剪枝更适合NPU。通过移除贡献度低的通道，可以减少MACs而不改变模型结构。对于MobileNet SSD，通常可以剪掉30%~40%的通道而不明显掉点；YOLO轻量版由于本身已经较紧凑，剪枝空间有限，建议优先考虑输入尺寸优化。
3.4 案例拆解：智能门禁人体检测模型选型
背景与约束：某智能门禁项目采用瑞萨RA8系列MCU搭配Ethos-U55 NPU，内存仅2MB，Flash 8MB，要求检测距离1~3米内的人体，帧率≥15FPS，整机功耗≤1.5W。
初始现象：工程师最初选用YOLOv5n（输入320×320），实测帧率仅8FPS，内存占用超标，且NPU利用率不足60%。
分析过程：通过Profiler工具发现，瓶颈不在NPU算力，而在内存带宽——320×320输入导致激活数据量过大，DMA搬运耗时占比达45%。同时，YOLO的NMS后处理在CPU上消耗了3ms/帧。
优化步骤：
- 将模型切换为MobileNetV2-SSD，输入降至256×256，MACs从2.2G降至1.4G。
- 使用QAT量化，mAP从0.82降至0.79，但帧率提升至18FPS。
- 将NMS替换为Soft-NMS（CPU实现），减少误检。
- 调整摄像头ISP输出为256×256，避免额外缩放开销。
结果对比：最终帧率稳定在16FPS，内存占用1.6MB，功耗1.2W，满足需求。但代价是检测距离缩短至2.5米，通过调整摄像头焦距弥补。
复盘经验：模型选型不能只看算力，必须结合内存带宽和CPU后处理能力。对于近距离固定场景，MobileNet SSD的性价比远高于YOLO轻量版。
3.5 常见误区与总结
- 误区一：认为输入尺寸越大精度越高。实际上，超过模型设计尺寸后，精度提升趋缓，而延迟急剧增加。
- 误区二：忽略预处理开销。BGR转RGB、归一化、Resize在CPU上可能消耗2~3ms，需与NPU推理并行化。
- 误区三：直接使用FP32模型跑仿真，未考虑INT8量化后的精度变化。
- 误区四：只关注模型本身，忽略摄像头ISP的自动曝光/白平衡对检测效果的影响。
总结而言，人体检测模型选型应遵循"场景定需求、需求定指标、指标定模型"的流程。在Ethos-U平台上，优先考虑MobileNet SSD系列作为基线方案，只有当检测距离或复杂背景要求超过其能力时，才升级到YOLO轻量版，并配合输入尺寸裁剪和量化优化。下一阶段，我们将深入探讨摄像头输入管线的整体架构，包括色彩空间转换、缩放策略和DMA传输优化，这些环节与模型输入尺寸的配合将直接影响端到端延迟。