4、经典轻量检测模型（下）：YOLOv5-nano/small结构解析、YOLOv8-nano新特性、NanoDet模型解读
好，咱们接着聊轻量检测模型。上一章我把YOLOX和PP-PicoDet掰开揉碎讲了一遍，这一章咱们把剩下的几个硬骨头啃完。YOLOv5-nano、YOLOv8-nano，还有NanoDet，这三个模型在工业界和学术界都很有代表性。
我个人习惯是，看一个轻量模型好不好，先不看它刷榜的mAP，而是先看它的工程落地友好度。说白了，就是好不好部署、好不好调参、好不好跟业务逻辑结合。咱们今天就带着这个视角来拆解。
4.1 YOLOv5-nano/small：经典中的经典
YOLOv5系列大家太熟了，但很多人只关注它的L、X版本，忽略了nano和small。其实这两个版本才是真正的落地主力。我在做边缘端项目时，用得最多的就是YOLOv5s，因为它平衡了速度和精度。
4.1.1 结构差异
YOLOv5-nano和small的核心差异在于深度和宽度。YOLOv5的作者用两个超参数来控制模型大小：
- depth_multiple：控制网络深度（Bottleneck的重复次数）
- width_multiple：控制通道数（每层的卷积核数量）
具体来说：
| 模型 | depth_multiple | width_multiple | 参数量 | FLOPs |
|---|---|---|---|---|
| YOLOv5n | 0.33 | 0.25 | 1.9M | 4.5G |
| YOLOv5s | 0.33 | 0.50 | 7.2M | 16.5G |
你看，YOLOv5n的宽度倍数只有0.25，意味着每一层的通道数都压缩到了原来的四分之一。这带来的直接好处就是模型极小，但代价是特征表达能力下降。我在一个智能门禁项目里试过YOLOv5n，检测人脸框没问题，但一旦要检测小目标（比如远处的门牌号），就有点吃力了。
核心结论：YOLOv5n适合资源极度受限的场景（比如MCU、低端ARM），YOLOv5s适合大多数边缘设备（比如Jetson Nano、RK3588）。
4.1.2 关键组件
YOLOv5n/small保留了YOLOv5的经典设计：
- Focus层：把输入图像切片，减少计算量。嗯，这里要注意，Focus层在ONNX导出时可能会遇到问题，我建议直接用Conv替代，省心。
- CSP结构：跨阶段局部网络，说白了就是把特征图分成两路，一路做变换，一路直接拼接，减少重复梯度计算。
- SPPF：快速空间金字塔池化，用多个3x3最大池化替代原来的SPP，速度更快。
我曾经在部署YOLOv5s到瑞芯微RK3588时，发现SPPF在NPU上跑得比SPP慢，原因是NPU对连续池化操作不友好。后来我手动把SPPF改成了SPP，速度反而提升了15%。所以你看，理论上的优化不一定在所有硬件上都成立。
4.2 YOLOv8-nano：新瓶装新酒
YOLOv8是Ultralytics在2023年推出的新作。说实话，刚出来时我有点抵触——又换了个版本号，是不是又在刷榜？但仔细看了nano版本后，我发现确实有干货。
4.2.1 新特性一览
YOLOv8-nano相比YOLOv5n，主要改了以下几点：
- 无锚框检测（Anchor-Free）：不再需要预设锚框，直接预测目标的中心点和宽高。这简化了后处理，也减少了超参数调优的工作量。
- C2f模块：替代了YOLOv5的C3模块。C2f借鉴了ELAN的思想，增加了更多的跨层连接，让梯度流动更顺畅。
- 解耦头（Decoupled Head）：分类和回归分支分开，各自用独立的卷积层。这在小模型上效果尤其明显。
- TaskAlignedAssigner：一种新的正负样本分配策略，综合考虑分类和回归的质量。
我的建议：如果你是从YOLOv5迁移到YOLOv8，最需要适应的就是去掉锚框。你之前的锚框调优经验可能用不上了，但换来的是更稳定的训练过程。
4.2.2 性能对比
我拿YOLOv8n和YOLOv5n在COCO上做了个对比：
| 模型 | 参数量 | mAP@0.5:0.95 | 推理速度（T4, FP16） |
|---|---|---|---|
| YOLOv5n | 1.9M | 28.0 | 1.2ms |
| YOLOv8n | 3.2M | 37.3 | 1.5ms |
你看，YOLOv8n参数量多了近一倍，但mAP提升了9个点，这个性价比其实很高。为什么会这样？因为C2f模块和解耦头虽然增加了参数，但特征提取效率更高了。
不过要注意，YOLOv8n的推理速度比YOLOv5n慢了0.3ms。在实时性要求极高的场景（比如无人机避障），这0.3ms可能就是生死线。我建议你根据实际帧率要求来选择。
4.3 NanoDet：轻量化的极致
NanoDet是旷视科技开源的轻量检测模型，它的目标很明确——在移动端跑出实时检测。我第一次看到NanoDet的参数量时，确实被惊到了：只有0.95M，比YOLOv5n还小一半。
4.3.1 设计哲学
NanoDet的设计思路跟YOLO系列完全不同。它走的是轻量级Backbone + 轻量级Neck + 轻量级Head的路线，每个部分都追求极致压缩。
- Backbone：使用ShuffleNetV2或EfficientNet-Lite，这些本身就是为移动端设计的。
- Neck：使用FPN+PAN结构，但通道数压得很低（通常只有96或128）。
- Head：使用轻量化的卷积头，甚至用深度可分离卷积。
我记得有一次在手机上做人脸检测，YOLOv5n跑起来有点卡，换成NanoDet后帧率直接翻倍。当然，精度也降了一些，但做人脸框检测完全够用。
4.3.2 关键技巧
NanoDet有几个值得学习的设计：
- GhostNet模块：通过廉价操作生成更多特征图，减少计算量。
- Assigner引导的标签分配：跟YOLOv8的TaskAlignedAssigner类似，但更轻量。
- 多尺度训练：虽然模型小，但通过多尺度训练提升了泛化能力。
避坑指南：我曾经在NanoDet上尝试用更大的输入尺寸（比如640x640），结果发现推理速度下降明显。NanoDet的设计初衷是320x320或416x416，强行放大输入反而得不偿失。
4.4 如何选择？
好了，三个模型都讲完了。你可能会问：那我到底该用哪个？
我的建议是这样的：
- 如果你追求稳定和生态：选YOLOv5s。社区资源最多，部署方案最成熟。
- 如果你想要最新技术：选YOLOv8n。无锚框、C2f、解耦头，这些技术确实有效。
- 如果你在手机或MCU上跑：选NanoDet。极致轻量，但需要自己调优。
最后说一句，模型选型没有银弹。我见过有人用YOLOv5n在树莓派上跑出了30FPS，也见过有人用NanoDet在手机上跑出了60FPS。关键还是看你的硬件平台和业务需求。嗯，这一章就到这里，下一章咱们聊聊模型剪枝和量化，那才是真正的落地硬核内容。