3. 算法选型基础：轻量化网络对比
做嵌入式目标检测，第一步不是写代码，而是选模型。
我见过太多人，一上来就选个YOLOv8s，结果板子跑不起来。或者选个MobileNet-SSD，精度又差得没法用。说白了，选型就是一场平衡游戏——你得在算力、内存、帧率、精度之间找到那个“刚刚好”的点。
这一章，我就拿三个最常用的轻量化网络——YOLOv8n、YOLOv5s、MobileNet-SSD，给你掰开揉碎讲清楚。它们各自适合什么场景，为什么适合，以及你该怎么选。
3.1 三个选手的基本盘
先看一张表，心里有个底。
| 模型 | 参数量 | 计算量 (GFLOPs) | 输入尺寸 | mAP@0.5 (COCO) | 典型帧率 (RK3588) |
|---|---|---|---|---|---|
| YOLOv8n | 3.2M | 8.7 | 640x640 | 37.3% | ~60 FPS |
| YOLOv5s | 7.2M | 16.5 | 640x640 | 36.7% | ~45 FPS |
| MobileNet-SSD | 5.5M | 2.4 | 300x300 | 22.0% | ~90 FPS |
嗯，数据摆在这，但光看数字没用。你得知道这些数字背后意味着什么。
3.2 模型复杂度与帧率的关系
先讲一个核心概念：计算量（GFLOPs）和帧率不是线性关系。
为什么？因为嵌入式设备上，瓶颈往往不在算力，而在内存带宽和访存模式。我举个例子——
YOLOv5s的GFLOPs是16.5，YOLOv8n是8.7，差了将近一倍。但实际帧率呢？YOLOv5s跑45 FPS，YOLOv8n跑60 FPS，差距只有33%。
为什么会这样？
因为YOLOv8n用了更高效的C2f模块，减少了特征图拼接时的内存搬运。说白了，它不光算得快，还“搬得少”。
核心结论：
- GFLOPs低 ≠ 帧率高，还要看访存效率
- 模型结构越“规整”，对NPU越友好
- 输入分辨率降低一半，帧率可能翻倍不止
我个人习惯，在选型前会先跑一个“带宽测试”。用板子自带的benchmark工具，测一下模型的实际推理时间。光看理论GFLOPs，容易踩坑。
3.3 YOLOv8n：新秀，但很稳
YOLOv8n是Ultralytics在2023年推出的。它的特点是：结构新、精度高、部署友好。
它用了C2f模块替代了YOLOv5的C3模块。C2f说白了就是把特征图拆成两路，一路直接传，一路经过卷积，最后再拼起来。这样做的好处是——梯度流更丰富，训练时收敛更快。
但注意，C2f在推理时其实比C3要快。因为它的并行度更高，对NPU的利用率更好。
我的经验：
如果你用的是RK3588或Jetson Orin这类带NPU的芯片，YOLOv8n是首选。它的算子基本都能被NPU原生支持，不需要手动改图。我曾经在一个项目中，直接把YOLOv8n的ONNX模型丢到RKNN上，一次跑通，帧率稳定在55 FPS以上。
3.4 YOLOv5s：老兵不死
YOLOv5s虽然名字里带个“s”，但参数量是YOLOv8n的两倍多。它用的是C3模块，结构相对传统。
但为什么还有人用？
因为生态成熟。YOLOv5s的预训练模型多，社区资源丰富，各种量化工具、剪枝工具都优先支持它。如果你做的是工业项目，追求稳定而不是最新，YOLOv5s是个不错的选择。
我记得有一次，客户要求模型必须在海思3559A上跑。YOLOv8n的某些算子不支持，换成YOLOv5s后，稍微改了一下检测头，就顺利部署了。
避坑指南：
我曾经在RK3399上试过YOLOv5s，帧率只有15 FPS。后来发现是输入分辨率太高（640x640）。降到416x416后，帧率到了28 FPS，精度只掉了1.2%。所以，不要死守640x640，根据你的算力灵活调整。
3.5 MobileNet-SSD：轻量之王，但精度是硬伤
MobileNet-SSD，说白了就是MobileNet做骨干网络，加上SSD检测头。它的计算量只有2.4 GFLOPs，是YOLOv8n的四分之一。
帧率呢？在RK3588上能跑到90 FPS以上。如果你做的是实时性要求极高的场景，比如无人机避障、高速抓拍，MobileNet-SSD是唯一的选择。
但代价也很明显——mAP只有22%。这意味着什么？
- 小目标基本检测不到
- 遮挡目标容易漏检
- 类别多的时候，误检率飙升
所以，MobileNet-SSD只适合目标大、背景简单、类别少的场景。比如人脸检测、二维码识别、简单物体计数。
一句话总结：
MobileNet-SSD是“快枪手”，但打不准。YOLOv5s是“老黄牛”，稳但慢。YOLOv8n是“全能选手”，又快又准，但需要芯片支持。
3.6 选型决策树
说了这么多，到底怎么选？我给你一个简单的决策流程——
- 先看芯片算力：如果NPU算力低于1 TOPS，直接选MobileNet-SSD
- 再看帧率要求：如果要求≥60 FPS，优先YOLOv8n或MobileNet-SSD
- 再看精度要求：如果mAP要求≥30%，排除MobileNet-SSD
- 最后看部署难度：如果芯片比较老（如海思3516、RV1126），选YOLOv5s
你想想看，是不是这个道理？选型不是比参数，而是比“匹配度”。
3.7 实战建议：先跑一个“最小可行模型”
我个人习惯，在正式项目开始前，会花一天时间做一件事——把三个模型都跑一遍。
不是跑完整训练，而是用预训练模型转成ONNX，再转成芯片支持的格式（如RKNN、TensorRT），然后测帧率和精度。
这一步花不了多少时间，但能帮你避免后面的大坑。我曾经有个项目，选型时觉得YOLOv8n肯定没问题，结果转RKNN时发现某个算子不支持，折腾了两天才搞定。如果提前跑一遍，就不会这么被动了。
小技巧：
如果你时间紧，可以直接用YOLOv8n。它在大多数芯片上表现都不错。实在不行，再降级到MobileNet-SSD或升级到YOLOv5s。
3.8 本章小结
嗯，这一章的内容就这些。核心就三点——
- 模型复杂度（GFLOPs）和帧率不是线性关系，访存效率更重要
- YOLOv8n是当前最均衡的选择，YOLOv5s适合老芯片，MobileNet-SSD适合极致帧率
- 选型前一定要跑一遍实际推理，别只看理论参数
下一章，我会带你手把手做模型转换和量化。到时候你会发现，选型只是第一步，真正的坑都在后面。
公众号:蓝海资料掘金营，微信deep3321