所属分类：视觉图像与光学光电 当前为单品课程，可返回上一级继续浏览同方向资料。

← 返回上一级

← 返回所属目录咨询 / 购买

YOLO模型轻量化与移动端部署实战

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

学习目标 · 课程结构 · YOLO模型轻量化与移动端部署的整体…

课程导入学习目标

YOLO系列基础

YOLOv1到YOLOv8的核心思想 · 网络结构 · 损失函数与性能对比

YOLO系列基础

目标检测基础

边界框回归 · 锚框机制 · IoU计算

目标检测基础边界框回归

模型轻量化概念

模型压缩 · 加速 · 量化

模型轻量化概念模型压缩

轻量化网络结构

MobileNet · ShuffleNet · EfficientNet

轻量化网络结构MobileNet

YOLO轻量化方案概览

YOLOv3-tiny · YOLOv4-tiny · YOLOv5s/n

YOLO轻量化方案概览

Python · PyTorch · CUDA

环境搭建Python

数据集准备与增强

目标检测数据集的格式（VOC · COCO · YOLO格式）

数据集准备增强

YOLO模型训练基础

配置文件解析 · 超参数设置 · 训练流程

YOLO模型训练基础

模型剪枝实战

结构化剪枝与非结构化剪枝的原理 · 使用torch-pruning或NV…

模型剪枝实战结构化剪枝

模型量化实战

PTQ（训练后量化）与QAT（量化感… · 使用PyTorch或TensorRT…

模型量化实战PTQ

知识蒸馏实战

教师-学生网络架构 · 蒸馏损失设计 · 将大YOLO模型的知识蒸馏到轻量级Y…

知识蒸馏实战教师

模型转换与导出

将PyTorch模型转换为ONNX · TensorRT · Core ML

模型转换导出

ONNX与TensorRT优化

ONNX模型结构优化 · TensorRT的层融合 · 精度校准与动态形状支持

移动端推理框架

TFLite · Core ML · NCNN

移动端推理框架TFLite

Android端部署实战

使用NCNN或MNN在Android… · 实现摄像头实时检测

Android端部署实战

iOS端部署实战

使用Core ML或TFLite在i… · 处理Metal性能优化

iOS端部署实战

边缘设备部署实战

在Jetson Nano · Raspberry Pi等边缘设备上… · 使用TensorRT或OpenCV…

边缘设备部署实战Jetson

模型性能评估与调优

在移动端测量延迟 · FPS · 内存占用

模型性能评估调优

常见问题与解决方案

模型转换失败 · 精度下降 · 推理速度慢

常见问题解决方案

交通标志检测：从数据采集 · 模型训练 · 轻量化到Android端部署的完整流…

案例实战交通标志检测

工业缺陷检测 · 并部署到嵌入式设备

案例实战工业缺陷检测

人脸检测与关键点 · 结合移动端后处理优化

案例实战人脸检测

实时视频流分析 · 结合DeepSORT或ByteTra…

案例实战实时视频流分析

模型轻量化综合策略

结合剪枝 · 量化 · 蒸馏和NAS

模型轻量化综合策…结合剪枝

硬件加速与异构计算

利用GPU · NPU · DSP等硬件加速器

硬件加速异构计算

模型安全与鲁棒性

对抗攻击 · 模型加密 · 防止模型窃取

模型安全鲁棒性

从零构建一个移动端目标检测App · 技术选型 · 开发

项目实战App

性能优化进阶

使用TensorRT的INT8校准 · 模型自动调优（AutoML） · 动态分辨率与批处理优化

性能优化进阶TensorRT

课程总结与进阶方向

回顾核心知识点 · 探讨YOLO轻量化与部署的未来趋势（… · 端侧大模型）

课程总结进阶方向