4、图像特征提取：轻量化Backbone设计
图像特征提取，说白了就是给BEV模型装上一双好眼睛。这双眼睛既要看得清，又不能太耗电——毕竟咱们是在嵌入式设备上跑，不是数据中心里的服务器集群。
我个人习惯把Backbone比作一个信息漏斗。原始图像进来，几百万像素，经过一层层卷积，最终浓缩成高语义的特征图。这个过程中，怎么在精度和速度之间找平衡，就是我今天想聊的核心。
4.1 为什么非得轻量化？
你想想看，一个标准的ResNet-50，在Jetson Orin上跑一次前向推理，大概要30-40毫秒。听起来还行？但别忘了，BEV模型通常要处理6路甚至8路摄像头。这一乘，光特征提取就得200多毫秒。再加上后面的视角转换、时序融合、检测头……整个pipeline就卡住了。
所以，轻量化不是可选项，是必选项。
核心矛盾：精度 vs 延迟。每减少1%的mAP，可能换来10%的速度提升。关键是要找到那个甜蜜点。
4.2 ResNet-18/34：经典中的经典
ResNet-18和34，说白了就是ResNet-50的瘦身版。它们保留了残差连接的精髓，但把每个stage的层数砍了不少。
我在项目中遇到过这样一个场景：客户要求模型在TDA4VM上跑到30FPS。一开始用ResNet-50，死活压不到40毫秒以内。后来换成ResNet-34，精度只掉了1.2个点，但速度直接翻倍。嗯，这就是经典架构的魅力——稳定、可控、好调优。
| 模型 | 参数量 | FLOPs | ImageNet Top-1 | 推理延迟（Jetson Orin） |
|---|---|---|---|---|
| ResNet-18 | 11.7M | 1.8G | 69.8% | 8ms |
| ResNet-34 | 21.8M | 3.6G | 73.3% | 12ms |
| ResNet-50 | 25.6M | 4.1G | 76.2% | 22ms |
我的经验：如果BEV模型的输入分辨率在512x512以下，ResNet-18完全够用。分辨率再高，建议上ResNet-34。别小看这4毫秒的差距，在6路摄像头场景下，就是24毫秒的节省。
4.3 MobileNet：为移动端而生
MobileNet的核心武器是深度可分离卷积。这东西怎么理解？传统卷积是一次性完成空间和通道的混合，而深度可分离卷积把它拆成两步：先逐通道做空间卷积，再用1x1卷积做通道混合。
为什么会这样？因为计算量能大幅下降。举个例子，一个3x3的标准卷积，计算量是3x3x输入通道x输出通道。换成深度可分离，计算量变成3x3x输入通道 + 输入通道x输出通道。当通道数很大时，后者只有前者的九分之一左右。
我曾经在某个ADAS项目里试过MobileNetV2作为Backbone。当时觉得精度肯定不行，结果测下来，在nuScenes数据集上只比ResNet-18低了0.8个mAP，但速度提升了40%。
注意：MobileNet在NVIDIA的GPU上加速效果不如在手机NPU上好。因为GPU对标准卷积有深度优化，而深度可分离卷积的算子融合度不够高。如果你用Jetson系列，建议实测对比一下。
4.4 EfficientNet-Lite：自动搜索的产物
EfficientNet-Lite是Google用NAS（神经架构搜索）找出来的轻量化网络。它不像MobileNet那样靠人工设计，而是让机器自己探索最优的深度、宽度和分辨率组合。
我个人觉得，EfficientNet-Lite最大的优势是它的缩放策略很聪明。它同时调整三个维度：网络层数（深度）、每层通道数（宽度）、输入分辨率。而且这三个维度不是独立调的，而是按照一个固定的比例系数一起缩放。
举个例子，EfficientNet-Lite0到Lite4，就是把这个系数从0.25逐步放大到1.0。你想想看，这样调参比手动试错高效多了。
| 模型 | 参数量 | FLOPs | 推理延迟（Jetson Orin） | 适用场景 |
|---|---|---|---|---|
| EfficientNet-Lite0 | 4.7M | 0.4G | 5ms | 超低延迟需求 |
| EfficientNet-Lite2 | 6.1M | 0.8G | 8ms | 平衡型 |
| EfficientNet-Lite4 | 13.0M | 2.0G | 14ms | 高精度需求 |
避坑指南：我曾经在部署EfficientNet-Lite时踩过一个坑——它的Swish激活函数在有些NPU上不支持。后来换成ReLU6，精度掉了0.3个点，但部署顺利多了。所以，选Backbone时一定要先确认目标硬件支持的算子列表。
4.5 我的选型建议
说了这么多，到底怎么选？我总结了一个简单的决策树：
- 如果硬件算力充裕（比如Jetson Orin、TDA4VH）：优先考虑ResNet-34或EfficientNet-Lite4。精度有保障，部署也成熟。
- 如果硬件算力中等（比如Jetson Nano、RK3588）：ResNet-18或MobileNetV2是稳妥之选。我建议先试ResNet-18，不行再换MobileNet。
- 如果硬件算力紧张（比如MCU级别的芯片）：EfficientNet-Lite0或MobileNetV3-small。但要做好精度下降的心理准备。
一个小技巧：不管选哪个Backbone，都建议在训练时加入知识蒸馏。用大模型（比如ResNet-101）做Teacher，轻量化模型做Student。我试过，mAP能提升1-2个点，几乎零成本。
4.6 部署时的注意事项
最后聊几个部署时的坑，都是我用真金白银换来的经验：
- BN层融合：训练完的模型，一定要把BatchNorm融合到卷积层里。这一步能减少5-10%的推理时间。
- 量化感知训练：如果目标硬件只支持INT8推理，千万别直接训练FP32模型再后量化。用QAT（量化感知训练），精度能多保住2-3个点。
- 输入尺寸对齐：有些Backbone对输入尺寸有隐含要求。比如EfficientNet-Lite，它的stem层用了3x3卷积，stride=2。如果输入是奇数尺寸，特征图尺寸会不对齐。我建议统一用32的倍数。
嗯，关于轻量化Backbone，今天就聊这么多。下一章我们会讲视角转换——怎么把图像特征从像素坐标系映射到BEV坐标系。那才是真正考验工程能力的地方。