第1章：经典目标检测算法选型对比
做嵌入式AI算法移植这些年，我最大的感触就是：选型定生死。算法选对了，后面移植工作顺风顺水；选错了，光模型压缩就能让你怀疑人生。
今天咱们就来聊聊YOLOv5/v8、SSD、EfficientDet这三类经典算法。我会结合自己的实战经验，告诉你为什么YOLO系列在嵌入式移植中几乎成了「默认选项」。
1.1 三大算法核心差异速览
先看一张对比表，心里有个底：
| 对比维度 | YOLOv5/v8 | SSD | EfficientDet |
|---|---|---|---|
| 核心思想 | 单阶段+Anchor-Free | 单阶段+多尺度特征 | EfficientNet+BiFPN |
| 推理速度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 模型体积 | 小（n/s/m/l/x） | 中等 | 大（依赖EfficientNet） |
| 嵌入式友好度 | 极高 | 较高 | 一般 |
| 部署生态 | NCNN/TensorRT/MNN全支持 | 部分支持 | 支持有限 |
嗯，光看表格你可能觉得「YOLO全面胜出啊」。但实际选型没这么简单，咱们一个一个拆开说。
1.2 SSD：老将的尴尬
SSD（Single Shot MultiBox Detector）是2016年的经典算法。说实话，我在2018年做第一个嵌入式项目时用的就是SSD。
它的优点很明确：
- 结构简单，VGG或MobileNet做backbone
- 多尺度特征图检测，对小目标有一定效果
- 训练相对容易收敛
但问题也很致命：
- Anchor设计太死板。我曾经在检测长条形红外目标时，调Anchor调了整整两周，效果还是不理想
- 特征融合方式粗糙。SSD只是简单地把不同层的特征图拿出来用，没有做有效的融合
- 部署时算子兼容性差。尤其是Focal Loss和L2 Normalization层，很多嵌入式框架不支持
1.3 EfficientDet：精度怪兽，但移植噩梦
EfficientDet是Google在2020年提出的。它的核心卖点是BiFPN（双向特征金字塔网络）和EfficientNet backbone。
精度确实高——在COCO数据集上，EfficientDet-D7的mAP一度是SOTA。但问题来了：
- 模型太大了。D7版本参数量超过50M，FP16推理都需要1GB以上内存
- BiFPN结构复杂，包含大量加权求和和深度可分离卷积
- EfficientNet的Swish激活函数在嵌入式端优化困难
我记得有一次，客户要求把EfficientDet-D3移植到RK3588上。模型量化后精度掉了8个点，反复调了两个月，最后还是换成了YOLOv5s。
1.4 YOLOv5/v8：为什么是嵌入式首选？
说白了，YOLO系列能成为嵌入式目标检测的事实标准，靠的是三点：
1.4.1 模型结构天生适合移植
YOLOv5/v8的核心组件非常「干净」：
- Conv+BN+SiLU（或ReLU）——所有嵌入式框架都原生支持
- CSP结构——参数量少，计算量低
- SPPF——用3个5x5最大池化替代SPP，速度翻倍
你想想看，一个模型里全是标准算子，移植时根本不需要写自定义算子。这在嵌入式开发中太重要了——我见过太多项目因为自定义算子无法量化而夭折。
1.4.2 多尺度适配能力
YOLOv5提供了n/s/m/l/x五个版本，参数量从1.9M到86.7M不等。这意味着：
- MCU级别（STM32、ESP32）可以用YOLOv5n
- 轻量级SoC（RK3566、算力2TOPS）可以用YOLOv5s
- 中高端设备（Jetson Nano、RK3588）可以用YOLOv5m/l
我在一个红外热成像项目里，用YOLOv5n在RK3566上跑到了30FPS，mAP还有0.78。换成SSD-MobileNet，同样算力下只有22FPS，mAP还低了5个点。
1.4.3 部署生态最完善
这一点可能比算法本身还重要。YOLOv5/v8的部署工具链非常成熟：
# 导出ONNX
python export.py --weights yolov5s.pt --include onnx
# 导出TensorRT
python export.py --weights yolov5s.pt --include engine --device 0
# 导出NCNN（需要先转ONNX）
onnx2ncnn yolov5s.onnx yolov5s.param yolov5s.bin而且社区资源极其丰富。遇到问题，GitHub上基本都能找到解决方案。相比之下，EfficientDet的部署教程少得可怜，SSD的很多实现还停留在PyTorch 1.x时代。
1.5 本章核心逻辑图
下面这张图总结了三大算法的选型逻辑，你可以保存下来做参考：
1.6 我的最终建议
做了这么多项目，我总结出一个规律：嵌入式算法选型，生态比精度更重要。
YOLOv5/v8的精度可能不是最高的，但它的部署生态、社区支持、模型变体丰富度，都是其他算法无法比拟的。尤其是当你需要快速出产品、快速迭代时，YOLO系列能帮你省下至少一半的开发时间。
当然，如果你做的是学术研究或者云端高精度场景，EfficientDet和SSD仍然有它们的价值。但如果你问的是「嵌入式红外目标检测」，我的答案只有一个——选YOLO，准没错。
公众号:蓝海资料掘金营，微信deep3321