📚 课程目录第1章课程导学与模型优化全景

1. 课程导学与模型优化全景

各位同学，欢迎来到《YOLOv8模型剪枝量化部署实战》的第一章。

我是这门课的主讲。做了快十年计算机视觉，从最早的Faster R-CNN一路跟到现在的YOLOv8，踩过的坑、填过的土，说实话不少。今天咱们先不急着写代码，花点时间把整个模型优化的地图铺开看看。

YOLOv8是Ultralytics在2023年初推出的目标检测框架。它跟前几代比，最大的变化是什么？

我个人觉得，是它把训练、验证、预测、导出、部署全串成了一条线。你装一个ultralytics包，就能搞定从数据标注到模型上线的全部流程。这在以前，得用好几个工具拼起来才行。

YOLOv8核心组件速览

YOLOv8提供了n/s/m/l/x五个版本。nano版本只有3.2M参数，能在手机上跑；x版本有68.2M参数，精度最高但速度慢。你想想看，从3M到68M，差了20多倍。这就是我们做模型优化的空间所在。

模型版本	参数量	FLOPs	mAP@0.5:0.95	典型场景
YOLOv8n	3.2M	8.7G	37.3%	手机、边缘设备
YOLOv8s	11.2M	28.6G	44.9%	嵌入式设备
YOLOv8m	25.9M	78.9G	50.2%	服务器推理
YOLOv8l	43.7M	165.2G	52.9%	高性能服务器
YOLOv8x	68.2M	257.8G	53.9%	极致精度场景

好，YOLOv8的基本情况说完了。接下来是重点——模型优化到底在优化什么？

说白了，就是三件事：让模型变小、让模型变快、让模型能跑在目标硬件上。常用的手段有三个：剪枝、量化、蒸馏。它们不是互斥的，我习惯把它们串成一条流水线。

我的经验：先剪枝再量化，效果通常比单独做其中一项好。蒸馏可以放在剪枝之后做精度补偿，也可以单独用在原始模型上。具体顺序，得看你的精度余量有多少。

剪枝就是砍掉不重要的参数。通道剪枝直接删掉整个卷积核，结构化剪枝删掉通道或层。YOLOv8的C2f模块里有很多冗余通道，剪掉30%-50%对精度影响不大。

我曾经在一个安防项目里，把YOLOv8s剪了40%的通道，mAP只掉了1.2个点，但推理速度提升了1.8倍。甲方很满意，我也松了口气。

量化是把FP32的权重和激活值，用INT8甚至INT4来表示。模型体积直接缩到1/4，推理速度在支持INT8的硬件上能翻倍。

嗯，这里要注意：量化不是无损的。尤其是YOLOv8的检测头，对数值精度比较敏感。我建议做量化感知训练（QAT），而不是直接做训练后量化（PTQ）。

蒸馏是用一个大模型（教师）去教一个小模型（学生）。学生学教师的软标签，而不是硬标签。YOLOv8做蒸馏时，我一般把教师设成YOLOv8x，学生设成YOLOv8n，蒸馏后的nano版本能提升2-3个mAP点。

这门课的目标很明确：让你能独立完成YOLOv8从剪枝到量化再到部署的全流程。不是纸上谈兵，是真正能在自己的项目里用起来。

避坑提醒：我曾经见过不少同学，学完剪枝理论就急着去砍模型，结果精度掉得一塌糊涂。为什么？因为没做重训练（Fine-tune）。剪枝后的模型必须重新训练几十个epoch，让剩下的参数重新适应数据分布。这个坑，我替你们踩过了。

整个课程分成四个阶段：

学习建议：每章后面的代码示例，我建议你亲手敲一遍，不要复制粘贴。代码敲完，再跑一遍，看看输出是不是跟预期一致。遇到报错别慌，先看日志，再看代码，最后再查资料。这个过程本身就是最好的学习。